PROBABILIDAD

Captulo 5
Vari ables aleatorias

INTRODUCCION
Volvamos ahora sobre el concepto de funcin. Sean S y T conjuntos arbitrarios. Supngase que
a cada s E S se asigna un elemento nico de T; la coleccin f de tales elementos se llama funcin (o
aplicacin) de S en T y se escribe I S ~ T. Escribimos 1(5) en lugar del elemento de T qu e f hace corresponder a s E S Y lo llamamos la imagen de s por f o valor de f en s. La imagen f(A) de un su bconjunto A de S y la imagen inversa f'-I(8) de un subconjunto 8 de Tsc definen por
I(A)
la
{f(s):
A}
1- 1 (B)
{s: [(s) E B}
En otras palabras, f(A) est formado por las imgenes de los puntos de A, y -1(8) est formado por
aquellos puntos cuyas imgenes pertenecen a 8. En particular, el conjunto 1(S) de todas las imgenes
se llama el conjunto imagen (o : imagen o recorrido) de!
Supongamos ahora que S es el espacio muestral de algn experimento . Como anotamos previamente, los result ados del experimento, es decir ,. los puntos muestra les de S. no necesitan ser nmeros.
Sin embargo, frecuentemente deseamos asignar un nmero determinado a cada resultado; esto puede
ser la suma de los puntos de un par de dados, el nmero de ases de una mano de "bridge" , o el tiempo (en horas) que gasta una lmpara en fundirse . Tal asignacin se denomina variable aleatoria; ms
precisamente,
Definicin:
Una variable aleatoria X de un espacio muestra! S es una ,"uncin de S en el conjunto R

de los nmeros reales tal que la imagen inversa de cada intervalo de R es un evento (o
suceso) de S.
Hacemos nfasis en que si S es un espacio discreto en el cual cada subconjunto es un suceso, entonces cada funcin de valores reales de S es una variable aleatoria. Por otra parte, se puede comprobar que si S es no contable, entonces ciertas funciones de valores reales de S no son variables aleatorias.
Si X y Y son variables aleatorias del mismo espacio muestral S. entonces X
XY (donde k es un nmero real) son funciones de S definida s por
+ Y)(s) =
(X + k)(s) ==
(X
X(s)
X(s)
+ Y(s)
+ le
(lcX)(s)
y. X
+ k.
kX y
= kX(s)
(XY)(s) = X(s) Y(s)
para todo s E S. Se puede comprobar que estas variables tambin son aleatorias. (Esto es trivial en
el caso de que cada subconjunto de S sea un suceso.)
Usamos la notacin abreviada P(X = a) y Pea ~ X ~ b) para la prohabilidad de los succsos

"X toma el valor a" y "X toma valores en el intervalo [a. b j." Esto es,
P(X = a)
P(a
Significados anlogos se dan a
X -== b)
P(X~
P({s E S: X(s) == a})

P({sES:
a), P(X
== a, Y
74
a~X(s)~b})
= b),
P(a
b, e
d), etc.
VARIABLES ALEATORIAS
CAP. 5]
75
DISTRlBUCION y ESPERANZA DE UNA VARIABLE ALEATORIA FINITA

Sea X una variable aleatoria de un espacio muestral S con el conjunto imagen finito; a saber,
IXI. X2.
X n 1. Convertimos X(S) en un espacio de probabilidad definiendo la probabilidad de Xi como P(X = Xi) que escribimos f(Xi)' Esta funcinfde X(S), o sea, definida como f(xI) =
P(X = Xi), se llama lafunciII de distribucin O probabilidad de X y se expresa generalmente en forma
de tabla:
X(S) =
Xl
X2
.,
f(x l )
f(xz)
.,
Xn
f(x n )
La distribucin f satisface las condiciones

n
(ii)
(XI)
1=1
=1
Ahora si X es una variable aleatoria con la distribucin anterior, entonces la media o esperanza
(o: \'G/or esperado) de X. denotada por E(X) o flx, o simplemente E o fl, se define como
E(X)
Esto es, E(X) es el promedio pOllderado de los valores posibles de X. cada valor ponderado por su probabilidad.
Ejemplo 5.1: Se lanza un par de dados corri entes . Obtenemos el espacio finito equiprobablc S que consta de las 36 parejas ordenadas dc nm e ros entre l y 6:
s =
{(l, 1), (1,2), ... , (6, 6)}
Sea X qut: ha ce corres ponder a cad a punto (a. b) de S el mximo de sus nmeros, o sea, X(a. b) =
max(a . b). Entonces X es un a variable aleatoria cuyo conjunto imagen e~
X(S)
Calculamos la distribucin
f(l)
P(X= 1)
f(2)
P(X=2)
f(3)
P(X
f(4)
{l, 2, 3, 4, 5, 6}
de X :
P({(1,l)}) -
..!..
36
~
36
= P(c(2, 1), (2,2), (1, 2)})
= 3)
P(X = 4)
~
36
P({(3, 1), (3,2), (3,3), (2,3), (1, 3)})
P( {(4, 1), (4,2), (4,3), (4,4), (3,4), (2,4), (1, 4)})
.2
36
Similarmente,
1(5)
P(X
= 5) = fe-
f(6)
P(X
= 6)
11
36
Esta inrormaci n s<.: pon e en forma de tabla co mo sigue:
Xi
f(Xi)
..!..
1-
:;
36
36
36
36
36
11
36
Calculamos la media de X:
E(X)
XI
f(x)
110 + 2'f6 + 3'fs
4'ii + 5'fs + 6'*
.!!!1 = 447
36
'
Ahora st:a Y que hace corresponder a cada punto (a. b) de S la suma de sus nmeros, o sea,
Y(a. b) = a + b. Enton ces Y es tambin un a variable aleatoria de S con conjunto imagen
Y(S)
{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
76
[CAP. 5
A continuacin la distribucin g de y.
del hecho de que, (1, 3), (2, 2) Y (3, 1) son aquellos puntos de S
es 4; por tanto
Obtenemos, por ejemplo,

para los que la suma de ,.,,,nnnA,,pn
4) = P( {(l, 3), (2,2), (3, I)})
P(Y
17(4)
La media de Y se ca icu la como ,iglH':
2l+3~+
36
~6
E(Y)
12' 36
L
Los siguientes (jagramas describen grficamente las distribuciones anteriores:
o~ ~ J JJ11lLLh
. __
10
JI
12
Distribucin de Y
Distribucin de X
Obsrvese que las lneas verticales dihujadas sobre los nmeros del eje horizontal son proporcionales a
sus probabilidades
Ejemplo 5.2: Una moneda cargada tal que P(Jl)

.~ y P(T)
se I,wza tres veces. Las probabilidades de
los puntos del espacio muestral S = f HHH. HHT, HTH, HTT. TlHI, TlH, TTH, TTT I son las
siguientes:
P(HHH)
.~
. 111
i . i 'a
'k'n
t!
P(HHT)
P{HTH)
P(HTT)
2'i
P(THH) =
a i ..
4
27
P(THT)
k, -2 'i,
2'i
P(TTH)
!'k'
2
27
P(TTT)
l'!'!
2'i
27
27
== 127
Sea X la variable que asigna a cada punto de S el mayor nmero de caras sucesivas que suceda.
As,
X(TTT)
X(HTH)
1,
X(HTT)
1,
X(HHT)
2,
X(THH)
X(THT}
1,
X(TTH}
3
El conjunto imagen de X es X(S)
= lo.
1, 2, 3 lo Calculamos la distribucin
feO)
P(TTT) :::: 127
f(l)
P({HTH, HTT, THT, TTH})
f(2) = P{{HHT, THH}) :::: .!.

27
f(3)
P(HHH)
+.!.
:::::
21
de X.
10
27
JL
27
CAP. 51
77
Esta informacin se tabula en la siguiente forma:
La media de X se calcula como sigue:
E(X)
3' J!..
27
1,85
Ejemplo 5.3: Se selecciona al azar una muestra de tres artculos de una caja que contiene 12 de los cuales 3 son defectuosos. Hallar el valor esperado E de los artculos defectuosos.
El
espacio muestral consta

mao 3. Notamos que hay:
de las (1,2)
220 muestras diferentes
posibles de ta-
(:)
84 muestras sir art cu los defectuosos;
3' ( : )
108 muestras con I artculo defectuoso;
3
(2 ) . 9
27 muestras con 2 artculos defectuosos;
(33) -_I muestra con J artculos defectuosos

As la probabilidad de coger 0, ,2 Y 3 artCulos defectuosos es
y 1/220. As el nmero esperado E de los artculos defectuosos e"
o-
1-
2'
84/220. IOg /220,
3'
0.75
No/a: Implcitamente obtuvimos el valor esperado de la variable aleatoria X que asigna a c<lrJi
muestra el nmero de artculos defectuosos que contiene.
En un juego
que el juego es
es
dinero, el valor esperado E del juego se considera como el

al jugador si E es positivo, y desfavorable si E es
SiE
Se dice
0, el juego
Ejemplo 5.4: Un jugador lanza un dado corriente. Si sale un nmero primo gana dicho nmero de dlares. pero no
sale un nmero primo entonces pierde esa cantidad de dIre,. Los resultados poSibles Xi del Juego con
j{x) son corno sigue:
sus respectivas
Los nmeros negativos -1,

mero primo. El valor
-1
-4
4 --6 corresponden al hecho de que el Jugador

del juego es
no sale un n-
E
Por tanto, el juego es desfavorable para el jugador puesto que el valor esperado
Nuestros
riables aleatorias son
teoremas en relacin con la nocin de valor
Teorema 5.1: Sea X una variable aleatoria y k un nmero real. Entonces

E(X
+ k} =
Teorema 5.2: Sean X y Y variables
)+
).
negatlvo.
para operaciones de vuE(kX)
y (j)
k.
del mismo
muestral S. Entonces E(){
+ Y)
V"'
\
78
[CAP. 5
Un simple argumento de induccin conduce al

. , X n variables aleatorias de S.
Corolario 5.3:
E(X
+ ... + X n )
E(X)
+ ... + E(X,,)
VARIANZA Y DESVIACION ESTANDAR

La media de una variable aleatoria X mide, en cierto
el de la varianza de
mide el
el valor "promedio" de X El conde X.
Sea X una
Entonces la varianza de
denotada por var()\'). se define como

TI
L (Xi .=1
var (X)
donde
p.
es la meda de X
de var(X ):
p.)2 (Xi)
E((X - p.)2)
estndar de X, denotada por a x , es la raz cuadrada
La
El teorema siguiente nos da una alternativa y algunas veces una frmula ms til para calcular la
varianza de la variable aleatoria X.
Teorema 5.4: var (X) =
L"
j=
X~ (Xi)
1, tenemos
Prueba. Usando
(Xi)
X7 (Xi)
10 cual
el teorema.
5.5: Considrese la variable aleatoria X del
5.1 (que asigna el mximo de los nmeros que se muestran en un par de dados). La distribucin de X es
y su media es P-x
4,47. Calculamos la varianza y la desviacin estndar de X Primero calculamos
E(X'):
E(X2)
21,97
entonces
var (X)
E(X2)
21,97 -
19,98
::::
1,99
1,4
Ahora consideramos la variable aleatoria Y del ejemplo 5.1 (que asigna la suma de los nmeros
que se muestran en un par de dados). La distribucin de Yes
'.
79
CAP, 51
y su media es
7, Calculamos la varianza y la desviacin estndar de Y. Primero calculamos
E(Y 1):
22. 136
32. ~
36
+ .. " +
122 ..l
86
54.8
entonces
54,8 - 49
var (Y)
algunas propiedades de la
Teorema 5.5:
5,8
Uy
2.4
en el
X una variable aleatoria y k un nmero real. Entonces (i) var(X + k)

Y (ii) var(kX)
k 2 var(X). Por lo tanto, O'X+k O'x Y (1IcX
!k!uX'
var(X),
Nota 1. Hay una interpretacin fsica de la media y la varianza. Supngase que para cada punto XI
sobre el eje X se coloca una unidad con masa f(x 1). Entonces la media es el centro de gravedad del sistema, y la varianza es el momento de inercia del sistema.
Nota 2. Muchas variables aleatorias dan origen a la misma distribucin; de aqu que hablemos frede una distribucin en lugar de
cuentemente de la media, la varianza y la
la variable aleatoria fundamental.
Nota 3. Sea X una variable aleatoria con media Ji. y
estndar
ria X* estandarizada que corresponde a X se define por
(1
> O. La variable aleato-
X*
Comprobamos que E(X*) = O Y var(X*)
(problema
DISTRIBUCION CONJUNTA
Sean X y Y variables aleatorias de un espacio muestral S con los respectivos conjuntos imagen
= {y!, Y2, ... , Ym}
X(S)
Formamos el conjunto producto
en un espacio de probabilidad definiendo la probabilidad de la pareja ordenada

. Y) como P(X
XI, y = y J) que escribimos h(x l. Yi). Esta funcin h de X(S) X Y(S) , esto es, definida por h(x. Yi)
P(X = XI. Y = YI), se llama distribucin conjunta o funcin de probabilidad conjunta de X y Y
Y se da en forma de tabla por lo general:
Yl
Y2
...
Ym
Suma
XI
h(x.1/I)
h(x. Y2)
...
h(x,Ym)
!(xl)
xz
h(X2,
h(X2,1/2)
h(X2'Y m)
!(X2)
.. .
.. .
.. .
x"
h(x n YI)
h(x,l' Y2)
Suma
g(y)
V(yz)
..
...
"
...
...
h(x n .1Im )
g(Ym)
.,
f{xn}
80
Las funciones
[CAP. 5
g anteriores se definen por

y
o sea,
) es la suma de los elementos de la fila
y
) es la suma de los elementos de la
columna
son llamadas distribuciones marginales y son, de hecho, las distribuciones (individuales) de /t y Y
(problema 5. I
La distribucin conjunta / satisface las condiciones
h(Xi, y)
(ii)
Ahora si X y Y son variables aleatorias con la distribucin conjunta anterior (y las

medias ;'x y jJ.y), entonces la covarianza de X y Y denotada por cov(X, Y), se define por
lvas
cov (X, Y)
(ver problema 5.18) por

cov (X, Y)
E(XY) -
;'x;'y
La correlacin de X y y, denotada por p (X, Y), se define por
p(X, Y)
La correlacin p no es dimensionada y tiene las siguientes
(i) p(X, Y)
(i) -1
~ p ~
= 1,
p(Y, X)
(iii) p(X, X)
(iv) p(aX + b, cY + d)
p(X,
p(X, Y), si a, e =F O
Ms adelante (ejemplo 5
mostrarnos
parejas de variables aleatorias con
duales) idnticas pueden tener covarianzas y
diferentes. As cov(X.
medidas de la manera corno /Y y Y estn
5.6: Se lanza un par de dados corrientes. Obtenemos el espacio
parejas ordenadas de nmeros entre 1 y 6:
(ndivi, Y) son
finito S que est formado por 36
{(1, 1), (1,2), ... , (6,6)}
Sean X Y V las variables aleatorias de S en el

5.1, o sea, X designa el mximo nmero y Y la suma de los nmeros de cada punto de S. La distribucin conjunta de X y }' es la siguiente:
y
X
10
11
12
Suma
36
36
~
36
3iI
36
3iI
36
36
36
36
36
36
~
38
3ii
36
36
36
36
3ii
Suma
3ii
"
J!.
36
36
2
36
11
3iI
36
36
81
VARIAIJU:S ALEA fORIAS
CAP. 5]
fa
elemento anterior }J, 5)

viene del hecho de ljue (\ 2) Y
nmero mximo es J y CUyJ suma e, 5; pOI tanto,
5)
== P(X = 3, Y
3) son los
nleos puntos de S cuyo
P( {(3,
5)
Los otros elementos "e obtienen de manera similar.

Calculemos la covarianlJ y la correlacin de .r y y Primero calcukmo.' E(.\ y):
2- 3-~
6 -12'
34,2
Por el
5,1,
;'X
= 4,47 Y
7 Y por el ejemplo 5,5, CJx
J.y
J4,2 -
1,4 y
2,4; de
Uy
al~ll
(4,47)(7) =
Ejemplo 5.7: Sean X y Y, Y X' Y }" variables alealOflJS con las d,tflbuCl<lf1'" conjuntas ,igulcntes
10
Suma
''>Z
10
Sllma
1
,;
J:.;
~.
,~
&
Suma
Suma
Obsrvese que .\ y ,Y'. Y Y Y Y' lIcnen distribuciones idnticas:
Distribucin de X y X'
Comprobamos que cov(.\;',
EL\:
E(X'
r)~cov{\'
1-4-1
E(X'Y')
Como Ilx:::: !lx'
COy
(X,
==
== E(XY) -
f'Y
J.lX!'Y
Ji,"
, Y) ~ p(X', Y').
cie aqu
1-10-!
1 -4-O
y
}/')
l 10 - ~
3-4-{
34
Primero
8-1O-!
14
n + 3 - 10 - O
11
7,
y
CUI'
(X', Y ' )
"Iota: La nocin de Ulla distribucin conjunta h se x!ie!llk l un nlllero finito de varIables

X. Y.
, Z de manera
c"lo es, h t:S lJIL.l unctlll dd conjunto
.' .,/.
defnida por
h(Xi, Y1> ... ,
Xi,
Y - Yj, , .. , Z
VARIABLES ALEATORIAS INDEPENDIENTES
dice que un nmero finito de variables aleatorias X. y,

independientes si
Xi,
Y :::: y j,
. ,
CJklll:Jllhl'
P(Y =--:
. Z de un
... P(Z
JIt:~ltorja~
82
para valores
[CAP, 5
x y y son independientes si
Xi, Xl,
P(X
Ahora si X y Y tienen las distribucionesfy g, respectivamente, y la distribucin conjunta h, entonces la
ecuacin anterior se puede escribir como
h(x, YJ)
(XI) g(y)
En otras palabras, X y Y son independientes si cada elemento h(x, Yi) es el producto de sus elementos
marginales.
Ejemplo 5.8: Sean X y Y variables aleatorias con la distribucin conjunta siguiente:
0,06
0,15
0,09
0,30
0,14
0,35
0,21
0,70
Suma
0,20
0,50
0,30
Suma
As, las distribuciones de X y Y son como sigue:
Distribucin dc Y
Distribucin de X
X Y Y son variables aleatorias independientes puesto que cada elemento de la distribucin conjunta puede oblenerse multiplcando sus elementos
esto es,
P(X =
Xi'
=YJ)
para cada i y cada j.
Establezcamos algunas propiedades importantes de variables aleatorias que no se cumplen en general, a

Teorema 5.6: Sean X y Y variables aleatorias independientes. Entonces:
(i)
Y)=E(X)E(Y),
(ii) var (X
Y)
var (X)
(iii) cov(X, Y) = O.
La parte (ii) del teorema anterior

Teorema 5.7: Sean XI,
+ var (Y),
al muy importante
'. X" variables aleatorias independientes. Entonces

var (Xl
+ ... + X .. )
var (Xl)
+ '"
var (X .. )
FUNCIONES DE UNA VARIABLE ALEATORIA

Sean X Y Y variables aleatorias del mismo espacio muestral S. Entonces se dice que Y es una funpor alguna funcin <1> de valor real de una variable real Y
);
esto es, si Y(s)
<1>[ X(s) J para todo s E
Por ejemplo, kX. X, X
k Y (X
k)2 son todas
funciones de X con <r>(x)
kx, x 2 , X
k Y (x
k)2 respectivamente. Tenemos el teorema fundamental
cin de X si Y puede
CAP, 5]
83
Teorema 5.8: Sean X y Y variables aleatorias de u,n mismo espacio muestral S con Y
 (X).
En-
tances
E(Y)
:=
donde f es la funcin de distribucin de X.

se dice que una variable aleatoria Z es una
(X, Y) donde es una funcin de valor real de
tar por Z
Z(s)
para todo s E S.
de X Y Y si Z se puede represenvariables
esto es, si
[X(s), Y(s)]
al teorema anterior, tenemos
Teorema 5.9: Sean X. Y y Z variables aleatorias del mismo espacio muestral S con Z
Entonces
(X. Y),
E(Z)
donde h es la distribucin conjunta de X y Y.
Hacemos notar que los dos teoremas anteriores se usaron implcitamente en la discusin y teoremas
Tambin hacemos notar que la prueba del teorema 5.9 se da como un problema proy que el teorema se
para una funcn de n
aleatorias en forma obvia.
VARIABLES ALEATORIAS DISCRETAS EN GENERAL

que X es una variable aleatoria de S con un conjunto
infinito contable;
Xl, X2, .. l. Tales variables aleatorias junto con aquellas de conjuntos imagen finitos
atrs) son llamadas variables aleatorias discretas. Como en el caso finito, construimos
X(S) en un
de probabilidad definiendo la probabilidad de XI como f(xl) = P(X
Xi) Y
llamamos(la distribucin de x:
Ahora su
o sea, X(S)
El valor
) y la varianza var(X) se definen por
E(X)
var (X)
cuando las
convergen absolutamente. Se puede demostrar que var{X) existe s y slo
si . = E()() Y E(X 2) existen ambos y que en este caso la frmula
var
E(X2)
11. 2
es vlida justamente como en el caso finito. Cuando var(X) existe, la desviacin estndar O'x se define
como en el caso finito por
Las nociones de distribucin conjunta, variables aleatorias independientes y funciones de variables
demostrar que si X y Y estn definidas en
aleatorias se extienden directamente al caso general. Se
el mismo espacio muestral S y si var(X) y var(Y) existen, entonces las series
YARIAIlLlS \Lh\fORIAS
84
[CAP . 5
cov (X, Y)
convergen absolutamente y la relacin
cov (X, Y)
E(XY) -
IAxlAy
se cu mpl e Justamente como en e l caso finito.
Nota: Para evadir tecnicismos establece remos muchos teoremas en este captulo nicamente para variables aleatorias finita s.
VAfHABLES ALEATORIAS CONTINUAS

Supll~asc
que ,\ ' es ulla variable aleatoria

'~ L1) O conjunto im agcn X( S) es un conjunto continuo de nLIJll eros tal es como un intervalo. Recalcall1()~ de la definicin d:: variables aleatorias que
el conjunto I a ~ ,X ~ h I es un suceso de S y.
por consi~ujente. la probabilidad l'(a ~ X ~ 17)
eq~' bien definida. SlIponemos que existe ulla
funcin continua espsci al I H ~ R tal que
P(u ~ .\;' ~ h) e\ Igual al ll:a baj o la curva de
entre x = a y x """ /) (como se mueslra a la
der i :c11a). En el len gu aj e del clculo,
a
P(a
P(a .X .b)
[ n eqe caso se dicc
ljUC )(
b)
= rea
b
de la parle so mbr eada
f(x) dx
es ulla \'I7riahlc a/catoria contillua. La funcin f se llama funcin de distribu-
cil/ o de probahilidad col/tinlla (o i/llcl()1I de dCl/sidad) de X; qu e satisface la s condiciones
(i) f(x):::O O
(i)
f(x) dx == 1
Esto es.fes no negativa y el r ea total baJO su curva es \.

El vlor espCl'lIdu f:( X)
~e
Ll efi ne por
E(X)
J~
x f(x)
dx
cuando existe. LI S funciones de variabl es aleatorias se definen ju stamente como en el caso discreto; y
puede demo strarse qu e si }' = (X). entollce~;
E(Y)
J(R
w(x) f(x) dx
cuando el miembro de la derecha existe. La varia/lza var(X) se delinc por

var (X)
(x - fL)2 f(x) dx
cuando existe. Justamente como cn el ca~o Lliscrcto, se puede demostrar que var(X) existe si y s lo si
lA ~ E(X) y L(X 2) existen y, por tanto,
var (.Al
CAP. 51
La desviacin estndar (Jx se define por (Jx
85
cuundo val'
existe.
Ya habamos hecho hincapi en que estableceramos muchos resultados para variables aleatorias
y los daramos por supuestos en el caso general discreto yen el caso continuo.
Ejemplo 5.9: Sea X una variable aleatoria continua con la distribucin siguiente:
si O
en otra parte
Entonces
P( I X " " 1,5) = rea de la regin
sombreada del diagrama
Grfico de
Calculamos luego
la varianza y la de,vlacn estndar de
valor
Jx
E(X)
f2
dx
j~
E(X2)
var
X2
foZ
f(x) e/x
16
p.2
dx
2
9
a', b === Y
, "., e
dx
Ux
el mismo
Obsrvese que los inlervalos desem

discrdo.
FUNClON DE DISTRI
Sea X una
X es la funcin F. R
1
3
, Z, se dice qut:: son inde-
.. , P( e
en el caso continuo que los
Z =:: e')
en el caso
ACUMULATIVA
aleatoria (discreta o continua). La
-,
Un nmero finito de variables aleatorias continuas, a saber X, y,

pendientes si para unos intervalos la, a']' lb, b']"
le, e']'
P(a
=:
R.
x.
aculilula/iva F de
de
R definida por
a)
F(a)
Si X es una variable aleatoria discreta de distribucin

da por
F(x)
f.
entonces F
f(Xi)
Por otra parle, si X es una variable aleatoria continua de distribucin
F(x)
En ambos casos, F es montona
f.
entonces
f(t)
esto es
F(a) =::: F(b)
y el lmite de F a la
la "funcin escalonada" defini-
siempre que a === b
es O Y a la derecha es 1:
lim
lim F(x)
x"',,
86
[CAP. 5
Ejemplo 5.10: Sea X un variable aleatoria discreta con la distribucin siguiente:

XI
-2
(x,)
El grfico de la funcin de distribucin acumulativa F de X es
-2
-3
-1
Grfico de F
Obsrvese que F es una "funcin escalonada" con un escaln en xI de altura (XI).
Ejemplo 5.11: Sea X una variable aleatoria continua con la distribucin siguiente:
(x)
= . {!X
O
si O ~ x :::: 2
en cualquier otra parte
-1
Grfico de fe/')
La funcin de distribucin acumulativa F y su
grfico se muestran as:
{;.,
F(x)
si x<O
si 0::::x::::2
si
x>
-1
.f"
Grfico de F
Aqu[ nos valemos del hecho que para O ~ x:::: 2,
F(x)
i x2
ttdt
DESIGUALDAD DE TCHEBYCHEFF. LEY DE LOS GRANDES NUMEROS
La idea intuitiva de prcibabilidad es la tan nombrada "ley de los promedios", esto es, si un evento
A sucede con probabilidad p. entonces el "nmero promedio de sucesos de A" se acerca a p tanto como el nmero de pruebas independientes aumenta. Este concepto se precisa con la ley de los grandes
nmeros que se establece luego. La prueba de este teorema se vale de la bien conocida desigualdad
siguiente de Tchebycheff:
Teorema 5.10: (Desigualdad de Tchebycheff): Sea X una variable aleatoria con promedio
viacin estndar CT. Entonces para cada I! > O,
P(IX - p.1
Prueba. Empezamos con la definicin de varianza:
~
var (X)
t)
p.
y des-
CAP, 51
87
Ix,
En las series anteriores suprimimos todos los trminos para los cuales
ta el valor de las
puesto que todos sus
son no
tI <
f.
Esto no aumen-
esto es,
donde el asterisco indica que la sumatoria se extiende solamente sobre aquellos i para los cuales
IXi .tI ~ L As, esta nueva sumatoria no aumenta en valor si remplazamos cada Ix! - tI por
( ; esto es,
a la probabilidad que IX
~
Dividiendo por
.tI
t; por tanto,
f2P(IX - .tI
~ l)
conseguimos la desigualdad
Teorema 5.J J: (Ley de

grandes nmeros):
XI,
., una sucesin de varables aleatorias independientes con la misma distribucin con promedio .t y
u 1 Sea
= (Xl
+ . , . + X,,)/n
(llamada la muestra media). Entonces para un ( > O
lim P(ISn - .tI ~ f)

n-oo
O o equivalentemente
P(ISn
;.I < f)
n"'''
Prueba, Ntese primero que

E(Sn)
Puesto que XI,.
del teorema 5.7 se deduce que
, X n son
var (Xl
+ ... + X>l)
var (Xl)
+ ... + var (X
It )
Por consiguiente por el teorema 5,5(i),

var
== var
var (Xl
+ . , . + X n)
=n
As, por la desigualdad de Tchebycheff,
El teorema resulta del hecho de que el
a la derecha es O cuando n
-1>
ao.
Las notas siguientes son en su orden:

Nota 1, Probamos la desigualdad de Tchebycheff solamente para el caso discreto. El caso continuo
se
una prueba anloga en que se usan
en
de sumatorias.
Nota 2. Probamos la ley de los nmeros grandes solamente para el caso en que
la varianza de
XI, esto es, no diverge. Observamos que el teorema es verdadero siempre que E(X ,) existe.
Nota 3. La ley de los grandes nmeros anteriores llamada tambin la ley dbil de los grandes nmeros
a causa de un teorema similar, pero ms firme, llamado la ley fuerte
los grandes nmeros.
[CAP, 5
88
Problemas resueltos
VARIABLES ALEATORIAS Y V ALaR ESPERADO
5.1.
p., la varianza a2 y la
Hallar el valor
tes distribuciones:
estndar
O'
de cada una de las siguien-
(i)
(i)
~ x; f(xJ
0'2
(1
v'1o ;: :
;::::
(xI)
::::
(12::::
-5
::::
.l:
a2.
va
::::
x;
11 i
t + 11 2 i
26
16
;::::
10
t-
4'
k+
1 t
25' i + 16'1 + l '
+ 4
==
::::
!(XI) -
(x)
t +
26 -
p.2
/12
9,25 -
+ 2 '1
'i
-1
9,25
8,25
2,9
.l: x/(x)
.l:
32
3.2
...[8I5 ::::
Ji.
5.2.
.l: xl!(XI)
x;
(1
i +
.l: x; !(XI)
::::
/1
(1
22
::::
k+
2'
x/(x)
/l::::
1(0,4) + 3(0,1) + 4(0,2) + 5(0,3)

1(0.4)+9(0,1)+1
!(XI) -
/12
;:::;
12 -
12
+25(0,3)
::::
1.7
lanza un dado corriente,

X como el doble del nmero que aparezca, y denotemos
que el nmero sea impar o par. Hallar la distribucin, el valor esperado, la
V como 1 3
varianza y la desviacin estndar
(i) X, (ii) Y, (iii) X
y, (iv) XY.
muestral es S = 1 1,2,3,4,5,61, Y cada nmero aparece con probabilidad
El
(i)
2, X(2)
4, X(3)
6, X(4)
8, }1'(5)
10, ,\'(6)
tiene probabilidad
As, la distribucin de X es como
X(I) =
12. As X(S)
( 2,4,6,8, 10, 121 Y cada nmero
i.
Por consiguiente,
J1.x
E(X)
==
'1r
= :;z, x (xi)
+ 4'
+ 6'
8 '1 + 10' i + 12'
::::
~ x~ (Xl)
::;;;
4' i + 16'! + 36' i + 64'
var (X)
::::
E(X2)
3,4
pi
t +
60,7 -
==
1f
100 i + 144' i
(7)2
:::
11,7
864
==
60,7
(ii)
89
CAP . 5]
Y(l)
U(l)
== 1,
== 3,
Y(2)
= 1,
Y(3)
= 3,
Y(4)
= 1,
Y(5)
== P(Y==l) == P({1,3,5}) == ~ ==
== 3.
Y(6)
O sea: Y(S)
== {1,3}
== P(Y = 3) == P({2, 4, 6}) == ~
g(3)
2'
De esta forma la di st ribucin de Y es como sigue:

Vi
g(YJ)
En consecuencia,
I'y
E(y2)
== ~ V~ g(Vj)
2
ay
Usando (X
+ Y)(2) ==
9'!
5
(2)2
== 5
v)(s) = X(s)
(X + Y)(l) == 2
(X
E(Y2) _ ,.,. 2
Vi
2/
== 1'! + 3'!
== 1'! +
var (Y)
ay
(iii)
~ YJ g(YJ)
E(Y)
==
(X + Y)(3)
= 6 + 1 == 7
(X
3 = 7
(X + Y)(4)
= 8 + 3 = 11
(X + Y)(6)
+ 1 ==
+
Y(s) , obtenemos
Por consiguiente, el conjunto imagen es (X
Y)(S)
+ Y)(5)
10
+ 1 ==
== 12 + 3 == 15
= 13, 7, 11 , 151 Y 3 Y 1S suceden con probabilidad
7 Y 11 con probabilidad ~ . Esto es, la dist ribu cin de X
+ Y es como sigue:
11
15
p(z)
2
6
2
6
11
k, y
As,
E(X
+ Y)
Ux + y
11, ~6
== ~
== 9
6
15'!6
9'!6
."jT4j =
7' ~6
+ 49' ~6 + 121' ~6 + 225'!6 = 6H

==
6
EX + y)2) _,.,.2 == 95,7 - 9 2 ==
14,7
+ y)2) ==
(X + Y) ==
EX
var
3'!6
--
Nt ese que, E(X)

12,7 #- var (X + Y).
95,7
3,8
E( Y) =
E(X
-+- Y), pero va r (X)
var (Y)
11 ,7
(iv) Usa ndo (XY)(s) == X(s) Y(s), obtenemos

(XY)(l)
= 2, 1
(XY)(3)
6 '1
(XY)(2)
= 4' 3
12
(XY)(4)
= 8, 3
== 6
(XY)(5)
== 10, 1 == 10
== 24
(XY)(6)
= 12' 3 == 36
Por tanto, la di stribucin de X Y es como sigue:

W
10
12
24
36
p(w)
576,
t +
As,
4 'i
EXY)2)
21~6
6
var (XY)
36' t + 100' i
== 3593
144'!
'
EXY)2) -
voo
==
11 ,6
1'2
359,3 -
15 2
134,3
1296'!
90
5.3.
[CAP. 5
Una moneda cargada para que P(H) = i y P(T) = i se lanza tres veces. Sea X la variable
aleatoria que denota la mayor hilera de caras (sucesivas) que aparezca. Hallar la distr.bucin, la
esperanza, la varianza y la desviacin estndar de X.
La variable aleatoria X se define en el espacio muestral
= {HHH, HHT.
THH,
Los puntos de S tienen las probabilidades respectivas siguientes:

.11 II lt
P(THH)
P(HHT)
l'~-l
P(THT)
P(HTT)
1'!'! _..
.~' i' i
4.t
4-
P(TTT)
.-
t'i'!
t'J'!
i'i-!
t-!'!
Puesto que X denota la mayor hilera de caras,
X(TTT)
O;
X(HTT)
1,
1,
1,
X(HHT) :::: 2,
:=
2;
As, el conjunto imagen de X es X(5) = lo, 1, 2, 3 1. La probabilidad

do las
de los puntos de S cuya imagen es x :
1(0)
P(TTT) ==
1(1)
P(HTT)
{(2)
+ P(HTH) +
P(HHT) + P(THH)
(3)
P(HHH)
1;
de cada nmero XI de X(S) se obtiene suman
JR
U4
Por consiguiente, la distribucin de X es como sigue:
As,
E(X)
p.
::::
(f
5.4.
O-
::::
1-
E(X2) -
var (X)
(12
O'
2-
4p.2
3'
2,1
9'
5,2
(2, 1)2
0,8
0,9
Se lanza una moneda corriente hasta que resulte una cara o cinco sellos. Hallar el valor esperado
E de los
de la moneda.
Si sale cara en la primera vcz sucede un lanzamiento solamente, esto cs. el suceso H. Si el primero es sello y el se
gundo cara suceden dos lanzamientos, esto es el evento TH. Si los dos primeros son sellos y el tercero cara, suceden tres
lanzamientos esto es el suceso TTI-l, Si resulta TTTH suceden cuatro lanzamientos y si resultan TTTTH o TTTTT suceden cinco lanzamientos. Entonces
=- P(H)
P(TH)
(2)
1(3)
Por tanto,
! '
t
P(TTH)
1(4)
P(TTTH)
{(5)
P(TTTTH)
-Ir
5-
1,9.
5.5.
Se dibujan dos crculos concntricos de radios I y 3 pulgadas

dentro de un blanco circular de 5 pulgadas de radio. Un hombre recibe 10, 5 3 puntos segn pegue en el blanco dentro
del crculo menor, en el anillo intermedio o en el anillo exterior respectivamente. Supongamos que el hombre da en
el blanco con probabilidad t y, por tanto, es lo mismo de
posible que pegue en un punto del blanco como en otro. Hallar el valor esperado E de los puntos que marca cada vez
que dispara.
La probabilidad de mard r 10,5,3
As, E
puntos es:
1(10)
1
2
rea de 10 puntos
!. , '/1"(1)2
rea blanco
2 . lT(5)2
1(5)
!. .
rea de 5 puntos
1(3)
-1
1(0)
5.6.
91
CAP. 51
2
1
2
rea blanco
1
50
! , 7T(3)2 -
50
'/1"(1)2
'/1"(5)2
! , lT(5)2 -
rea de 3 pu n tos
'/1"(3)2
lT( 5)2
rea blanco
= 10' -lo + 5 k + 3' !t + o' i = ~ =
1,96.
Un jugador lanza dos monedas corrientes. Gana $\ $2 segn que aparezcan I 2 caras. Por
otra parte, pierde $5 si no aparece cara. Determinar el valor esperado E del juego y si ste es favorable al jugador.
La probabilidad de que 2 caras sucedan es
l,
!'
1; de 2 sellos
l.
es
1 y de
'1 +
I cara es
t-
es
de ganar $1 es
y de perder $5 es
Por tanto E = 2
l'
5'
lor esperado del juego es menos 254, y en esta forma es desfavorable al jugador.
5.7.
16
50
t . As la probabilidad de ganar $2
1 = -i = -0,25. Esto es, el va
Un jugador lanza dos monedas corrientes . Gana $5 si aparecen 2 caras, $2 si aparece I cara y $\
si ninguna cara aparece. (i) Hallar la ganancia esperada. (ii) Cunto debe pagar para jugar si
el juego es legal?
(i)
La probabilidad de ganar $5 es l, de ganar $2 es

2,50. esto es, la ganancia esperada es $2,50.
(ii)
Si paga $2,50 para jugar, entonces el juego es legal.
y de ganar $1 es
1; por tanto
= 5 '1 + 2' t + 1 '1 =
DISTRIBUCIONES CONJUNTAS, VARIABLES ALEATORIAS INDEPENDIENTES

5.8.
Supngase que X y Y tienen la siguiente distribucin conjunta:
-3
0,1
0,2
0,2
0,5
0,3
0,1
O,J
0,5
Suma
0,4
0,3
0,3
(i)
Hallar la distribucin de X y de Y.
(ii)
Hallar la cov (X, Y), esto es, la covarianza de X y de Y.
(iii) Hallar p(X, Y), esto es, la correlacin de X y de Y.

(iv) X y Y son variables aleatorias independientes?
4 PROBABILIDAD
Suma
[CAP. S
92
(i)
La distribucin marginal de la derecha es la distribucin de X y la distribucin marginal del fondo es la distribucin de r. A saber,
Distribucin de X
(ii)
Primero calculamos
P.x
Distribucin de Y
p.y:
ILy
~ x!(x)
(1)(0,5)
(3)(0,5)
~ Y U(/j)
(--3)(0,4)
+ (2)(0,3) -+
2
(4)(0,3)
0,6
Luego clJmputamos F(X }/}:
E(XY)
XYj h(xh Y)
(1)( -3)(0,\)
(iii)
+ (\ X2)(O,2) + (1 )(4)(0,2) + (3)(-3)(0,3) + (3)(2)(0, 1)
Entonces coy (X, Y)
E(XY) - p.x!ly
Primero calculamos
ax
ay:
E(X2)
0-- (2)(0,6)
(l)(0,5)
Vi
1,2
+ (9)(0.5) =
var (X)
(3)(4)(0,\)
(2)2
~ Y~ U(Yj)
(9)(0,4)
,,; =
var (Y)
::::
ay
9,6
+ (16)(0,3)
9,6
(0,6)2 = 9,24
3.0
-0,4
p(X, Y)
Entonces
(iv)
(4)(0,3)
X Y Y no son independientes, puesto que P(X = 1, Y

-3) ~ P(X
1) PO'--3), esto es. el elemento h(I.--3)
0,1 no es igual a f(l)
(0,5)(0,4)
0,2, el producto de sus elementos marginales.
X Y Y variables aleatorias independientes con las distribuciones siguientes:
5,9.
Distr buci n de V
Distribucin de X
conjunta h de X y Y.
Hallar la
Puesto que )t y Y son independientes, la distribucin
f y
h se puede obtener de las distribuciones marginales
g. Primero constryase la tabla de la distribucin conjunta con las distribuciones marginales solamente como se in-
dica en la tabla de la iz.quierda, y luego

los elementos marginales para obtener los otros elementos, esto
es, colquese h(x.1JJ)
!(xl) U(Yj), como se muestra a la derecha.
10
15
Suma
10
16
Suma
0,6
0,12
0,30
0,18
0,6
0,4
0,08
0,20
0,12
0,4
Suma
0,2
0,5
0,3
Suma
0,2
0,5
0,3
93
VARIADLES ALEATORIAS
CAP. 5]
5.10. Una moneda corriente se lanza tres veces. Sea X que denota O. I segn que aparezca una cara
o un sello en el primer lanzamiento, y sea Y que denota el nmero de caras que resulten. Determnese, (i) la distribucin de X y de Y. (ii) la distribucin conjunta h de X y Y, (iii) cov (X, Y) .
(i)
1:
El espa cio muestral S consta de los ocho puntos siguientes, cada uno con probabilidad
= {HHH, HHT, HTH, HTT, THH, THT, TTH, TTT}
= O,
X(HHH) = O, X(HHT)
Tenemos
X(THH)
= 1,
= 0,
= 1,
X(HTH)
X(THT) = 1, X(TTH)
X(HTT) = O
X(TTT)
=1
Y(HHH) = 3
= 2,
Y(HHT)
= 2,
Y(HTH)
Y(THH)
=2
Y(HTT) = 1, Y(THT) = 1, Y(TTH) = 1
=O
Y(TTT)
.. As la s distribuciones de X y de Y son como sigue:
XI
{(XI)
YJ
g(YJ)
Distribucin de Y
Distribucin de X
(ii)
La di stribucin h de X y Yes:
x
O
1
Suma
*1
Obtenemos, por ejemplo, el elemento ;'(0,2) = P(X = 0, y
(i ii)
J.Lx
~ XI {(XI)
Ot + l'!
J.Ly
~ YJ g(YJ)
O!
E(XY)
COY
(X, Y)
~ xlYJ h(XI VJ)

E(XY) -
J.LxJ.LY
Suma
1
=
2) = P( 1 HTH, HHT:)
= t -
+ 12! +
~. ~
#.
+ 1'1 + 2'1 + 3'* =

1'1'#
trmin os con factor O
= -1
5.11. Sea X una variable aleatoria con la distribucin siguiente y sea Y

XI
-2
-1
{(XI)
X 2:
Determinar, (i) la distribucin g de Y, (ii) la distribucin conjunta h de X y y, (iii) la cov (X, Y) Y

p(X, Y).
[CAP. 5
94
(i)
Puesto que Y
tomar solamente los valores 4
la variable aleatoria Y
2 o X = - 2)
P(X
2)
la distribucin g de Y es como sigue:
P(X
+ P(X
i+i
2)
l. Adems, g(4)
2, entonces Y
La distribucin conjunta h de X y Y viene luego. Ntese que si X =
=
2) =
Los otros elementos se obtienen de manera similar.
(ii)
'>z
(ii i)
E(X)
/ix
/iy
E(XY)
COY
(X, Y)
::::
Suma
-2
-1
Suma
Xi (Xi)
-2'
~ Y g(YJ)
l'
-8'!
Yj)
xYj
PXpy
i -
t + l'! + 2'i
4'!
=
4)
Por tanto
1'i+ 1-i+ 8 -;
D'!
P( y
4: y de aqu h(-2, 1)
1.
O Y h( - 2, 4)
1.
y, similarmente,
Y as
p(X, Y) = O
Nota: Este ejemplo muestra que no obstante que Y es una funcin de X es an posible que la covarianza y la correlacin
de X y Y sean O, como en el caso en que X y }' son
(teorema 5.6). Ntese, sin embargo, que
X y Y no son independientes en este ejemplo.
PRU
Nota:
DE TEOREMAS
las pruebas, X y Y son variables alealorias con distribucin

distribucin
h.
h(x, Y) y g(Yi) =
que (Xi)::::
5.12.
2: h(x" Yi),
y g respectivamente y
esto es, que las distribuciones
marginales son las distribuciones (individuales) de X y Y.
Sea Al = {X
x} y E j ::= {Y
yuntas y S = UJEj. Por lanlo,
Y}; esto es, sea Al

AnS
n(u j
= X-l (:1:,)
y Ej
:::::
y-l (1Ij)' As las Ej son dis-
u(AnEJ)
donde las AnE son tambin disyuntas. En consecuencia.

(XI)
P(X
x, Y
1IJ)
La prueba para g es similar.
5.13.
el teorema 5,8: Sean X y Y variables aleatorias del mismo

muestral S con
Y)
iP(x) {(XI) donde f es la distribucin de X.
iP(X).
2:
(La prueba se da para el caso en que X es discreta y I1nita.)
CAP.
51
TI.
95
Supngase que X toma los valores :t:l ,:l)" Y que 4>(xI) toma los valores lIl J tl m como recorre de 1 a
Enlonces claramente los
valores de Y = 4>(X) son Yh ... , 11m Y la distribucin g de Y est dada por
Adems
m
~ (XI)
1==1
{J: .'(z}=lI}
~ f(Xi) (XI)
1Ij
1=1
lo cllal prueba el teorema.
5.14. Probar el teorema S. 1: Sea X una variable aleatoria y k un nmero real. Entonces
k
) =
+ k)
Y (ii) E(X
E(X)
k.
(La prueba se da para el caso discreto general suponiendo que E(X) existe.)
(i)
Ahora kX
4>(X) donde (x)
kx. Adems por el teorema ).8 (problema 5.13),
E(kX)
(ji)
Aqu X
+k
(X) donde 4>(x)
= ~j
E(X + k)
(Xl
+ k.
Adems
+ k) f(xJ
(Xi)
~ k
f(xJ
E(X)
5.15. Probar el teorema 5.2: Sean X yY variables aleatorias del mismo

E(X
E(X)
Y)
muestral S. Entonces
E(Y).
(La prueba se da para el caso discreto general suponiendo que E(X) y E( Y) ambos existen.)
Ahora X
<1> (X.
Y) donde (x. y)
+ y.
Adems por el teorema 5.9,
E(X+ Y)
el problema 5.12. obtenemos
E(X + Y}
E(X)
5.16. Probar el corolario 5.3: Sean Xl, X 2 ,
E(X1
E(Y)
X" variables aleatorias de S.
+ ... + X n )
(La prueba se da para el caso discreto general suponiendo que E(X 1),
Probamos esto por induccin en n. El caso n

I es trivial y el caso n
(problema 5.15). Para el caso n > 2 aplicamos el caso n =,2 para obtener
E(X 1 + ... +X"-l + X,,)

y por la hiptesis inductiva esto se convierte en E(X 1)
5.17. Probar el teorema 5.5: (i) var (X

I1X+k
I1x y U kX = Ikl U X '
Por el teorema 5.1, JlXH
Ilx
+k
+
y PlcX
E(X
E(X",) lodos
2 es precisamente el teorema 5.2
+ ...
+ ... + E(Xn _) +
k l var
var (X) Y (ii) var (k X)
= kll x .
Tambin ~ x/(xJ
Px
). Por tanto
f(xJ :::: 1. Por tanto,
96
[CAP. 5
+ k)
(X
var
(PX
==
::s
var (kX)
x: (x)
XI
Il~X
x; (x!; -
pi
(XI) -
(kX)2 f(xl) -
k2
2kpx
var
k2
1'i
(I'i + 2kl'x
k2
+ k 2)
(X)
::s x f(xl)
k 2(2.
k2
+ k)2
(kp.X)2
f(xl) -
i'~)
k2
var
(X)
5.18. Mostrar que

COY
(X, Y)
(La prueba se da para el caso en que X y Y son discretas y finitas)

Puesto que
2. 7/j h(xl' 7/)
j,}
obtenemos
::s xIY} h(x, 7/J)
l.
:::
xlYi h(x, 7/J) -
P-XPY -
I'XI'Y
p.xl'y
I'XI'Y
5.19. Probar el teorema 5.6: Sean X y V variables aleatorias

(i) E(XY) = E(X) E(Y), (ii) var
+ = var (X)
Entonces
var (Y),
(iii)
COy
se da para el caso en que X y Y son diseretas y finitas.)
(La
Puesto que X y }' son
E(XY)
= f(x!) g(y}).
h(x,7Ij)
h(x, 1Ij)
.~
Y)
cav
XIVj
As
I'xp.y
E(X)
:::
Con el fin de probar (ii) necesitarnos tambin

PX+v ::: Px
+ Pv,
Por tanto.
var (X + Y)
:::
1.1
(XI
+ 1Ij)2 h(x, 7/j)
.~ +Y
:::
h(x!,1I)
::s x~ f(xJ
I
== ~ x 2l (XI)
2
p2
xd(x)
7/} U(Y)
+ ~J 7/J2 g(Yj)
p2
y;
g(lIj)
var (X)
var (Y)
(X, Y) = O.
CAP 51
5.20. Probar el teorema 5.7: Sean Xl,

val' (Xl
97
... X" variables aleatorias independientes. Entonces
+ ... + X,,)
val' (Xl)
+ ... +
var (X It)
(La prueba
da para el caso en que
... , X" SOI1 (Od'b discretas y finitas.)
Dalllos por supuesto los problemas anlogos:J1 5.12 Y al teorema 3.9 para JI variable, aleatorias. Entonces
val
0'-
+ X,,)
E((X
+ .,. + Xn
+ ., +xn
~ (Xl
+ ... + x" -
{f f
donde h es la distribucin conjunta de
que los
son
Px + ' ..
Px
XX}
...
J1.X,)2
h(x, ... X,,)
~J Px 1Xi}
PXJ1.X j
.. . ,X". y
Jlx+
+ ... + J1.X n
+X" -
dos a dos, ~ XiX; h(x ... , X n ) ::::: JlXJlX

j
n
, .. J
'
2~ ~
E(X;)
(Corolario 5.3). Pllc,to
para i ~ j. Por tanto
+ ~ ~I1XI1Xj
j
,
JlX.!lX j
h(xlt ... , x,,)
~ var (Xi)
(Px)2
1=1
cumo se peda.
PROBLEiVIAS VARIOS
5.21. Sea X una variable aleatoria continua con distribucin
f{x)
(i)
(i)
Calcular k. (j) Hallar P(I
{
~
iox + le
SI
O.
en o lfa parte
El grfiCO defse dibuja en seguida. Puesto quefes una funcin continua de probabihdad, la
deb~ tener rea I Ntese ljue A forma un trapecio de bases paralelas de longitudes k
tanto, el rea de A
= !(k + k + !> 3 ::::: 1
P(l ::= X ::= 2)
i'( 1::= X::= 2) ", igual al rea de IJ la
est{l bajo el grfi:o de
IIgura anterior lit: la derecha. Ntese qUlO 1(1)

(rea de 8
1
+ . = i,
=A +
5.22. Sea X una variable aleatoria continua cuya distribucin

{a==x~b}, y O en
otra parte:
f(x)
r~gin
+ t,
;ombreada A
y altura 3. Por
k:::::
Grfico de j
(l)
y k
{~
SI
a === x
entre x
y x
constante en un
.:
rea de 8
2 como se muestra en la
Pur tanto P(l ::= X
2)
como l =
en ot ra parte
(Se dice que dicha variable aleatoria est uni/oflnemellte distribuida en l.) (i) Determinar k.
(ii) Hallar la media It de ,Y. (iii) Determinar la funcin de distribucin acumulativa F de X
98
[CAP . 5
(i)
El grfico de J apar ece a la derecha. La regin A debe tener

rea 1; por tanto
1
k(b-a) :::: 1
o
k :::: b - a
(ii)
Si consideramos la probabilidad co mo peso o masa, y el promedio como el centro de gravedad, entonces es intuitiva mente claro que
a+b
f=O
f=O
Grfico de J
2
el punto medi o entre a y b. Verificamos esto matemticamente usa ndo el clculo
(iii)
E(X)
fb
x f(x) dx
R
~ a dx
a2
2(b-a)
2(b-a)
+b
2
Recalcamos que la fun cin de distribucin acumulativa

F(k) = P(X ~ k). Por tanto F(k) origina el rea bajo el
grfico deja la izquierda de x = k. Pu es to que X est uniformem ente di stribuida en el interval o 1
{a == x ~ b},
es intuitivo que el grfico de F debe ser co mo se muestra
a la dere cha, esto es, F == O antes del punto a. F == I despus del punto b. y F es line al entre a y b. Verificamos esto
matemticamente usa ndo el clculo
F= 1
(a) para x < a.
JX
F(x)
F==O
/11
Grfico de F
JX
f(t)dt
Odt
::::
-c.;
-00
(b) para
2(b - a) a
b2
Jb
x2
[
b,
F(x)
::::
> b, F(x)
por tanto F(x) :::: 1.
(e) para x
P(X
f(t) dt
JX -
1 -dt::::
b-a
00
x)
P(X
b)
= 1
F(b)
y as
P(X ~ x)
= F(x);
5.23. Sea X una variable aleatoria con promedio .t y desviacin estndar (1 > O; Y sea X* la variable aleatoria estandarizada que corresponde a X, esto es, X* = (X -- p. )/ (1, Mostrar que E(X*)
O y var(X*) = l. (Por tanto (1x. = l.)
Por los teoremas 5.1 y 5.5,
E(X.) :::: E
var (X) ::::
var
(X - p.) =
u
X -
p)
--C1
E(X - p.)
= !(E(X) - p.)
C1
1.
==
:::: 7: var (X - /1)

C1
5.24. Sea X una variable aleatoria con distribucin
var (X)
El r-simo momento M r de X se define por
Hallar los primeros cinco momentos de X si X tiene la distribucin siguiente:
(Ntese que M
tndar de x.)
Xi
-2
f(Xi)
-!
es el promedio de X, y M 2 se usa para calcular la varianza y la desviacin es-
CAP. 51
M1
~ x!(x)
-2'! + l! + 3.! =
M2
~ x; !(x)
4'! + l'! + 9'-1 = 4,5,
M3
~ x: !(x) = -S'! + l ' !
M4
~ x: !(x,)
l6'! + l'! + SI!
M5
~ x~ !(x,)
-32'! + 1'-1 + 243'! =
99
0,
3,
27'!
28,5,
45.
5.25. Sea h la distribucin conjunta de las variables aleatorias X y Y. (i) Mostrar que la distribucinf
de la suma Z = X + Y puede obtenerse suponiendo las probabilidades a lo largo de las diagonales x + y = z", esto es,
(ii) Aplicar (i) para obtener la distribucin f de la suma Z

tribucin conjunta siguiente:
X
(i)
Los eventos {X
-2
-1
0,05
0,05
0,10
0,10
0,05
0,03
Suma
0,18
= x" Y == Y
: x
Y donde X y Y tienen la dis-
2
0,05
0,05
0,30
0 ,05
0,10
0,05
0,35
0,12
0,07
0,06
0,03
0,04
0,35
0,22
0,22
0,16
0,08
0,14
+ V = z,,}
Suma
son disyuntos; por tanto,
z.
~
:t+II
:t,+II =
(ii)
P(X==x, Y=Y)
h(x, YJ)
Zk
~ h(x,
:ti
-2
-1
0,05
0,05
0,10
0,05
0,10
0,05
0,05
0,10
0,03
0,12
0,07
0,06
0,03
z" -
xJ
3
0,05
0,05
0,04
Sumando a lo largo de las diagonales en la tabla anterior, obtt:llemos
!(-2) = 0,05
!(2)
0,05 +0, 10 + ,0 ,07
!(-1) = 0,05 +0 , 10 = 0,15
1(3)
0,05 +
1(4)
0,05 + 0,03 = 0,08
!(O)
0,10
!(1)
0,05 + 0,12
0,05 + 0,03 = 0,18
En otras palabras, la distribucin de Z

Z
!(z)
Y es como sigue :
-2
-1
0,05
0,15
0,18
1
0,17
0,22
0,11
4
0,08
0,22
0,06 = 0,11
1(5) = 0,04
0, 17
5
0,04
Ca ptulo 6
Distribuciones binomial,
normal y de Poisson
DISTRI13UCION B1NOMIAL
Consideramos pruebas repetidas e independientes de un experimento con dos resultados; llamamos uno de los resultados favorable (o xito) y el otro desJavorable (o Jracaso). Sea p la probabilidad
favorable, as que q = I .- p es la probabilidad desfavorable. Si estamos interesados en el nmero de
xitos y no en el orden en que suceden, entonces aplicamos los teoremas siguientes.
Teorema 6.1: La probabilidad de k xitos exactamente en n pruebas repetidas se denota y expresa por
b(k; n,p)
Aqu
es el coeficiente binomial (ver pgina 19). Tngase en cuenta que la probabilidad desfavorable es qn y, por consiguiente, la probabilidad de por lo menos un xito es I - qn.
Ejemplo 6.1: Se lanza una moneda corriente 6 veces o, su equivalente, seis monedas corrientes se lanzan una vez; llamamos cara un xito. Por consiguiente n = 6 Y P = q =
t.
(i)
La probabilidad de que sucedan dos caras exactamente (o sea, k
b(2; 6,
(ii)
(~) (1.)2 (!)"'
b(5; 6, .~)
t) +
b(6; 6,!)
2) es
= ti
La probabilidad de conseguir por lo menos cuatro caras (o sea, k
b(4; 6,
(iii)
i) =
4, 5 6) es
(~) (t)4 (t)2
+ (:) (!)5 (!) + (:) (t)6

= H+j+;{ = H
La probabilidad de no caras (o sea, lodosfracusos) es q5 = (!)6 = 6\ y. por tanto, la probabilidad de una cara por lo menos es 1 - q6
= 1 - -h = H,
Ejemplo.6.2: .Un dado corriente se lanza 7 veces; llamamos a un lanzamiento un xito si sale un 5 o un 6. Entonces
fI = 7, P = p(1 5, 61) =
y q = I - P =
(i)
La probabilidad de que un 5 6 salga 3 veces exactamente (o sea, le
(ii)
La probabilidad de que un 5 6 no salga (o sea, todo s fracasos) es q7

()7 2\2:7; por consiguiente la probabilidad de que un 5 o un 6 salga una vez por lo menos es 1 - q7 -- ~059
2187'
3) es
105
106
[CAP. 6
DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON
Si
TI YP como constantes, entonces la [uncin anterior P(k)
tribucin de probabilidad discreta:
Se la llama distribucin binomial puesto que para k

sivos del desarrollo binomial
(q
b(k;
11,
p) es una dis-
0, 1, 2, ... ,n corresponde a los trminos suce-
+ p)"
Esta distribucin se conoce

dos resultados se llaman
como distribucin de Bernoulli, y las

de Bernoulli.
independientes con
Las propiedades de esta distribucin son:

Teorema 6.2:
Distribucin binomial
Media
p.
Varianza
_.
(12
Desviacin estndar
np
= npq
(f
Ejemplo 6.3: Un dado corriente se lanza 180 veces. El nmero esperado de seises es
vi acin estndar es
(f
= ynpq
p.
np
180 ~
JO. La des-
5.
DISTRIBUCION NORMAL
La distribucin normal o curva normal (o:
Gauss) se
como sigue:
f(x)
donde J. y (J' > O son constantes arbitrarias. Esta [uncin es en realidad uno de los
ms
importantes de una distribucin de probabilidad continua. Los dos diagramas que siguen, muestran lOS
cambios de f cuando Il vara y cuando (J' vara. En particular, obsrvese que estas curvas en forma
de campanas son simtrcas alrededor de x = Ii.
Distribucin normal para a fijo
1)
Distribucin normal para p. fijo (p. = O)
DISTRIBUCIONES BINOM IAL, NORMAL Y DE POISSON
CAP 6]
107
Las propiedades de la distribucin normal son:

Teorema 6.3;
Distribucin normal
Media
J1
Varian za
(72
Desviacin
e s tnd~r
(7
La distribucin normal anterior con media fL y vananza el- la designamos por

~
N(fL , 0- 2 )
Si hacemos la sustitucin t
= (x -
fL)/(T en la frmula de N(fll el-) obtenemos la distribucin o curva
norll/al estndar
</>( t)
con media fL = O Y varianza el- = l. La grfica de esta diqribucin aparece luego. Observamos que
para ~ 1 ~ t ~ 1 el rea bajo la curva es 68,2%; y para - 2 ~ t ~ 2 el rea bajo la curva es 95,4%.
0.4
-3
-2
-1
Distribucin normal N(O, 1)
La tabla de la pgina 111 da el rea bajo la curva normal estndar entre t = O Y valores positivos
de t. La simetra de la curva alrededor de t = O nos permite obtener el rea entre dos valores de t (ver
problema 6.14).
Ahora sea X una variable aleatoria continua con distribucin normal; con frecuencia decimos que
X est distribuida florrnalmcllte. Calculamos la probabilidad de que X caiga entre a y b, designada por
P(a ~ X ~ b), como sigue. Primero pasamos a y b a unidades estndar
a'
(a-fL)/(T
b' = (b - fL)/(T
respectivamente. Entonces,
P(a~X~
b)
P((/ ~ X*
b')
rea bajo la curva normal estndar entre a' y b '

Aqu X* es la variable aleatoria estandarizada (ver pgina 79) que corresponde a X y, por tanto, X*
tiene distribucin normal estndur N(O, 1) .
[CAP. 6
DISTRIBU C IONES BINOMIAL. NORMAL Y DE POISSON
108
APROXIMACION NORMAL A LA DJSTRlBUClON BINOMIAL.

TEOREMA CENTRAL DEL LIMITE
La di stribucin binomial P(k) = b(k; n, p) se aproxima estrechamente a la di stribucin normal

proveyendo un f1 grande y ni p ni q prximos a cero. Esta propiedad se indica en el diagrama siguiente
donde escogimos la di st ribucin binomial correspondiente a 11 = 8 y p = q = 1- .
k
P(k)
28
256
250
1
250
8
256
28
250
56
256
.2-
256
56
250
Distribu ci n binomial con
256
11
8 YP
~
256
d: stribuCln normal
di ~ Hlbuci0n
binonllal
~
256
20
256
,;
Comparacin de las distribuciones binomial y normal
La propiedad anterior de la di stribucin normal se generaliza en el teorema central del lmite que
viene en seguida . La prueba de este teorema cae fuera del alcance de este texto .
Teorema central del lmite 6.4: Sean X 1, Xl, ... , una sucesin de variables aleatorias independientes con la misma distribucin de media p. y varian za a.
Sea
XI + X 2 + . . . + X n-ni!
vna
Entonces para un intervalo
donde
</>
{a~
b),
es la distribucin normal estndar.
Record a mos que llamamos Sn = (X I + Xl + ... + X n)/II la media muestral de las variables aleatorias XI,
.. X n . As Z n en el teorema anterior es la media muestral estandarizada. Hablando en trmino s generales, el teorema central del lmite dice que en una sucesin de pruebas repetidas la media muestral estandarizada se aproxima a la curva normal estndar segn que el nmero de
pruebas aumente.
DISTRlBUCION DE POISSON
La di stribucin de Poisson se define como sigue:

,\,Ke->'
p(k;'\') =
k!'
k = O, 1, 2,
donde A > O es una constante. Esta distribucin infinita contable se present a en muchos renmenos
naturales, tales como el nmero de llamadas telefnicas por minuto en un tablero de distribucin, el
nmero de erratas por pgina en un texto grande, y el nmero de partculas a emitidas por una sustancia radi activa. A continuacin se mueslran a lgunos diagramas de la distribucin de Poisson para diferentes valores de '\'.
109
CAP. 6]
0.4
0,3
0,2
0,1
2.4
_---LullllillJ
0246810
),=1
-1
Distribucin de Poisson para
Propiedades de la distribucin
vaore~
1-=5
10 12
Ji
JI
!
10
de A
","v,,"uu
Poisson'
Teorema 6.5:
Distribucin de Poisson
Media
.t
Variaru3
,,2
Desviacin estn.dar
=A
..};,
"
A pesar de que la distribucin

Poisson tiene inters independiente, tambin nos propurcion;r
a la distribucin binomial para un k pequeo,
que p sea pCqUd,;
y'\
np (ver problema 6.27). Esto se indica en la tabla siguiente.
una
Binomial
0,366
0,370
Poisson
0,368
0,368
2
0,185
3
0,0610
0,0149
0,0029
0,0153
0,00307
Comparacin de las distribuciones binomial y de Poisson

1oo y A = np
I
para I! = lOO, P
DISTnmUCION MULTINOMIAL
d~ U,]
ex-
veces, A l suceda k:
I,L:-
La distribucin binomial se generaliza como

que el
muestral
perimento se divide en,
s sucesos mutuamente exclusivos A" A 2,
, A. con
des
Pi, p2,
,ps.
consiguiente Pi + pi .+ ... + Ps = \.) Entonces
Teorema 6.6: En n
respectivas, la probabilidad de que A
ces, .. " y A. suceda k s veces es igual
donde
+ k 2 + ... + ks =
suceda k
n.
Los nmeros
forman la tan nombrada distrihucin multinornial
que son \':1samente los trminos del desarrollo de (p I + pi + '" + ps)n. Obsrvese que si s
__ , Clild:'
obtenemos la distribucin binomial, discutida al principio del captulo.
Ejemplo 6.4: Un dado corriente se lanza 8 veces. La probabilidad de obtener los lados 5 y 6 dos veces y da uno de lo,
otros una vez es
= 0,006
[CAP. 6
110
ORDENADAS DE LA CURVA NORMAL ESTANDAR
Tabla de valores <p (/) de la distribucin

normal estndar <p para t ~ O en intervalos
de 0,01.
0,3
0,4
0,3989
0,3970
0,3910
0,3814
0,3683
0,3989
0,3965
0,3902
0,3802
0,3668
0,5
0,6
0,7
0,8
0,9
0,3521
0,3332
0.3123
0,2897
0,2661
0,3503
0,3312
0,3101
0,2874
1,0
0,2420
0,2179
0,1942
0,1714
0,1497
0,2396
0,2155
0,1919
0,1691
0,1476
1,5
1,6
1,7
1,8
0,1295
0,1109
0,0940
1,9
0,3605
0,3982
0,3939
0,3857
0,3739
0,3589
0,3980
0,3932
0,3847
0,3725
0,3572
0,3977
0,3925
0,3836
0,3712
0,3555
0,3973
0,3918
0,3825
0,3697
0,3538
0,3989
0,3961
0,3894
0,3790
0,3653
0,3988
0,3956
0,3885
0,3778
0,3637
0,3986
0,3292
0,3079
0,2850
0,2613
0,3467
0,3271
0,3056
0,2827
0,2589
0,3448
0,3251
0,3034
0,2803
0,3429
0,3230
0.3011
0,2780
0,2541
0,3410
0,3209
0,2989
0.2756
0,2616
0,3391
0,3187
0,2966
0,2732
0.2492
0,3372
0,3166
0,2943
0.2709
0,2468
0,3352
0.3144
0,2920
0,2685
0,2444
0,2371
0,2131
0,1895
0,1669
0,1456
0,Q347
0,2107
0,1872
0.1647
0,1435
0,2323
0,2083
0,1849
0,1626
0,1415
0,2299
0,2059
0,1826
0.1604
0.1394
0,227f
0,2036
0,1804
0,1582
0,1374
0,2251
0,2012
0,1781
0,1561
0,1354
0,2227
0,1989
0,1758
0,1539
0,1334
0,2203
0,1965
0,1736
0,1618
0,1315
0,1257
0,1074
0,0909
0.0761
0,0632
0,1238
0.1057
0,0893
0,0748
0,0620
0,1219
0,1040
0,0878
0,0734
0,0608
0,1200
0,0656
0,1276
0,1092
0,0925
0,0775
0,0644
0,0863
0.0721
0,0596
0,1182
0.1006
0,0848
0,0707
0,0584
0.1163
0,0989
0,0833
0,0694
0,0573
0,1145
0,0973
0,0818
0,0681
0,0562
0.1127
0,0957
0,0804
0,0669
0,0551
2,0
2,1
2,2
2,3
2,4
0,0540
0.0440
0,0355
0,0283
0,0224
0.0529
0,0431
0,0347
0,0277
0,0219
0,0519
0,0422
0,0339
0,0270
0,0213
0,0508
0,0413
0,0332
0,0264
0,0208
0,0498
0,0404
0,0325
0,0258
0,0203
0.0488
0,0396
0,0317
0,0252
0,0478
0,0387
0,0310
0,0246
0,0468
0,0379
0.0303
0,0241
0,0189
0,0459
0,0371
0.0235
0,0184
0,0449
0,0363
0,0290
0,0229
0,0180
2,5
0,0175
0,0136
0,0104
0.0079
0.0060
0,0171
0.0132
0,0101
0,007'1
0,0058
0,0167
0,0129
0,0099
0,0056
0,0163
0.0126
0,0096
0.0073
0.0055
0,0158
0,0122
0.0093
0,0071
0,0053
0,0154
0,0119
0,0091
0,0069
0,0051
0.0151
0,0116
0,0088
0.0067
0,0050
0,0147
0,0113
0,0086
0,0065
0,0048
0,0143
0,0110
0,0084
0,0063
0,0047
0,0139
0,0107
0,0081
0,0061
0,0046
0.0044
0,0033
0,0024
0,0017
0,0012
0,0043
0,0032
0.0023
0,0017
0,0012
0,0042
0,0031
0,0022
0,0016
0,0012
0,0040
0,0030
0,0022
0.0016
0,0011
0,0039
0,0029
0,0021
0,0015
0,0011
0,0038
0,0028
0,0020
0,0015
0,0010
0,0037
0,0027
0,0020
0,0014
0,0010
0,0036
0,0026
0,0019
0,0014
0,0010
0,0035
0,0025
0,0018
0,0013
0,0009
0,0034
0,0025
0,0018
0,0013
0,0009
0,0009
0,0006
0,0004
0,0003
0,0002
o,noos
0,0006
0,0004
0,0003
0,0002
0,0005
0,0004
0,0003
0,0002
0,0008
0,0005
0,0004
0,0003
0,0002
0,0007
0,0005
0,0004
0,0002
0,0002
0,0007
0,0005
0,0003
0,0002
0,0002
0,0007
0,0005
0,0003
0,0002
0,0002
0,0007
0,0005
0,0003
0,0002
'0,0001
0,0006
0,0004
0,0003
0,0002
0,0001
0,0
0,1
0,2
1,1
1,2
1,3
1,4
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,0006
0,0004
0,0003
0,0002
0,3951
0,3876
0,3765
0.3621
Tabla 6.1
0,3984
0,3945
0,3867
.,
DISTRIHUCIONES BINOMIAL, NORMAL Y DE POISSON
CAP. 6]
111
AREAS DE LA CURVA NORMAL ESTANDAR
Tabla de reas bajo la distribucin normal estndar 1> en lre O y (~O en in lervalos
de 0,01.
~
';~
',-
., ,'~
0,0
0,1
0,2
0,3
0,4
0,0000
0,0398
0,0793
0,1179
0,1554
0,0040
0,0438
0,0832
0,1217
0.1591
0,0080
' 0,0478
0,0871
0,1255
0,1628
0,0120
0,0517
0,0910
0,1293
0,1664
0,0160
0,0557
0,0948
0,1331
0,1700
0,0199
0,0596
0, 0987
0,1368
0,1736
0,0239
0,0636
0,1026
0,1406
0,1772
0,0279
0,0675
0,1064
0,1443
0,1808
0,0319
0,0714
0,1103
0,1480
0,1844
0,0359
0,0754
0,1141
0,1517
0,1879
0,5
0,6
0,7
0,8
0,9
0,1915
0,2258
0,2580
0,2881
0.3159
0,1950
0,2291
0,2612
0,2910
0,3186
0,1985
0,2324
0,2642
0, 2939
0,3212
0,2019
0,2357
0,2673
0,2967
0,3238
0,2054
0,2389
0,2704
0,2996
0,3264
0,2088
0,2422
0,2734
0,3023
0,3289
0,2123
0,2454
0,2764
0,3051
0,3315
0,2157
0,2486
0,2794
0,3078
0,3340
0,2190
0,2518
0,2823
0,3106
0,3365
0,2224
0,2549
0,2852
0,3133
0.3389
1,0
1,1
1,2
1,3
1,4
0,3413
0, 3643
0,3849
0,4032
0,4192
0,3438
0, 3665
0,3869
0,4049
0,4207
0,3461
0,3686
0,3888
0,4066
0,4222
0,3485
0,3708
0, 3907
0,4082
0, 4236
0,3508
0,3729
0,3925
0,4099
0,4251
0, 3531
0,3749
0,3944
0,4115
0,4265
0,3554
0,3770
0,3962
0,4131
0,4279
0,3577
0,3790
0,3980
0,4147
0,4292
0,3599
0,3810
0;3997
0,4162
0,4306
0,3621
0,3830
0,4015
0,4177
0,4319
1,5
1,6
1,7
1,8
1,9
0, 4332
0,4452
0,4554
0,4641
0,4713
0,4345
0,4463
0,4564
0,4649
0,4719
0,4357
0,4474
0.4573
0,4656
0,4726
0,4370
0,4484
0,4582
0,4664
0,4732
0, 4382
0,4495
0,4591
0,4671
0,4738
0,4394
0,4505
0,4599
0, 4678
0,4744
0,4406
0,4515
0,4608
0,4686
0,4750
0,4418
0,4525
0,4616
0,4693
0,4756
0,4429
0,4535
0,4625
0,4699
0,4761
0,4441
0,4545
0,4633
0,4706
0,4767
2,0
2,1
2,2
2,3
2,4
0, 4772
0, 4821
0,4861
0, 4893
0,4918
0,4778
0,4826
0,4864
0,4896
0,4920
0,4783
0,4830
0,4868
0,4898
0,4922
0,4788
0,4834
0,4871
0, 4901
0,4925
0,4793
0,4838
0,4875
0,4904
0,4927
0,4798
0,4842
0,4878
0,4906
0,4929
0,4803
0,4846
0,4881
0,4909
0,4931
0, 4808
0, .4850
0,4884
0,4911
0, 4932
0,4812
0,4854
0,4887
0,4913
0,4934
0,4817
0,4857
0,4890
0,4916
0,4936
2,5
2,6
2,7
2,8
2,9
0, 4938
0, 4953
0, 4965
0, 4974
0, 4981
0.4940
0,4955
0,4966
0,4975
0,4982
0,4941
0,4956
0,4967
0,4976
0,4982
0, 4943
0,4957
0,4968
0,4977
0,4983
0,4945
0,4959
0,4969
0,4977
0,4984
0,4946
0,4960
0,4970
0,4978
0,4984
0,4948
0,4961
0,4971
0,4979
- 0,4985
O, 4949
0,4962
0,4972
O, 4979
0,4985
0,4951
0,4963
0,4973
0,4980
0,.4986
0,4952
0,4964
0,4974
0,4981
0,4986
3,0
3,1
3,2
3,3
3,4
0,4987
0,4990
0,4993
0,4995
0,4997
0,4987
0,4991
0,4993
0,4995
0,4997
0, 4987
0,4991
0,4994
0, 4995
O, 4997
0,4988
0,4991
0,4994
0,4996
0,4997
0, 4988
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4994
0,4996
0,.4997
0,4989
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4995
0, 4996
0,4997
0,4990
0,4993
0,4995
0,4996
0,4997
0,4990
0,4993
0,4995
0,4997
0,4998
3,5
3,6
3,7
3,8
3,9
0,4998
0,4998
0,4999
0, 4999
0,5000
0,4998
0,4998
0,4999
0,4999
0,.5000
0, 4998
0,4999
0,4999
O, 4999
O, 5000
0,4998
0,4999
0,4999
0, 4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0, 4999
O, 4999
0, 5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
Tablll 6. 2
[CAP. 6
112
VALORES DE e-
0,0
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0,819
741
0,670
0,607
0,549
0,497
0,449
0,407
0,1
.. _ - -
e-
1.000
e-A
0,368
0,905
2
0,135
0,0498
0,0183
0,0
0,00248
0,000912
0,000335
10
0,000123
0,000045
Tabla 6,3
Problemas resueltos
N BINOMIAL
DISTRIBU
6.1.
(iii) b(3; 4, !).
Hallar () b(2; 5, i), (i) b(3; 6,
n, p)
Aqu
()
b(2; 5,!)
(j)
6,
1)
G) pk
donde
(!)2 (i)3
~:~ (l)2 (ir'
(~) (~)3
1.
(t)3 ('~JI
b(3; 4,!)
6.2.
U na moneda corriente se lanza tres veces, Hallar la probabilidad P de que salgan,

(ii) dos caras, OH) una cara, (iv) no caras.
MlOdo L Se obtiene el
cquiprobable siguiente de ocho elementos:
HHT,
HTT,THH,
Tres caras (HHB) aparecen una vez solamente entre los ocho puntos muestrales; o sea, P =
(ji)
Dos caras aparecen J veces (H HT, HTH y TH H); o sea, P
(iji)
Una cara aparece 3 veces (HTT, TBT Y TTH);
(IV)
No caras, esto es, tres sellos (TTT), ocurre solamente una vez.; o sea, P =
sea, P
\1!odo 2, Usar teorema 6.1 con n = 3 Y P = q
6.3.
TTH,TTT}
()
I
k.
b(3; 3,
(~) (1)3 (1)0
1-i- 1
~.
(ii)
b(2; 3, t)
(~) (1)2 (t)
(iii) Aqu
; 3,
g-!.!
a-t-!
b(O; 3, 1)
f
f
i
k=O
t)
lJ.
f.
k=3
Aqu
tres caras,
(~) (1)1
(~) (1)0 (!)3
11 i
El equipo A tiene i de probabilidad de ganar cuando juega. Si A

4 partidos, hallar la
lidad de que A gane, (i) dos partidos, (ii) un
por lo menos,
ms de la mitad
Aqu
(i)
= 4,
P(2 viclorias)
q;:;;:: 1
i.
DISTRIIlUCIONES BINOMIAL, NORMAL Y DE POISSON
CAP 6J
(ii)
Aqu q4:;:: (!)4
==
it
113
es la pro habilidad de que A pierda todos los cuatro partido,. Entonces 1 - q4
== ~
es
la probabilidad de ga na r flOr lo menos un partido.

(iii)
A gana ms de la mitad de los partidos si A gana 3 4 partidos. Por lo tanto la probabilid ad buscada e,
Pl3 victorias)
6.4.
P(4 victoria s)
(~) (*)3 (l)
(!) (~)4
fi =
Una familia tiene 6 hijo s. Hallar l'a probabilidad P de que sean, (i) 3 nio s y 3 mnas, (ii) menos
nirlos que ni as. Suponer que la probabilidad de que un hijo en particular sea nio es t,
Por tanto
11
.~.
= 6 Y P = q =
~ P(J nillS)
= (~) (~)3 (t)3 = ~~ = 156'
(i)
(ii)
Hay menos nio s que nias si ha y 0,1

P
6.5.
I'lO nii10s)
+-
1'(1 nio)
2 nios. Por tant o
+ 1'(2 nios) =
(t)6
(~) (~)(_~)5
(~) (~)2 (t)4
1 1
32
Cuntos dados se deben lanzar para que la probabilidad de sacar un seis sea mayor?
La pr o bab ilidad de no conseguir un seis con
11
dadu s es (~)n. Por tanto buscamos el menor n para el cual (~)" es
menor que ~:
25 ,
(-8-)1 = ~;
36'
( fi)3
6
==
125 ,
216 '
pero
( li)4
II
625
1296
<
12
O sca que tiene que lan zar 4 dadu s.
'1
11
6.6.
La probabilidad de que un hombre pegue en el blanco es t, (i) Si dispara 7 veces, cul es la probabilidad P de que dos veces por lo menos pegue al blanco') (ii) Cuntas veces tiene que disparar para que la probabilidad dc pegar por lo meno s una vez sea mayor que '?
(i)
Busca mo s la sum a de probabilidades p~ra k = 2, 3,4,5,6 y 7. Es ms si mple en este caso hallar la suma de las
probabilidades para k = O Y 1, o sea, ninglI acierto o 1 acierto y luego restar esto de 1
P(ning n acierto)
Entunces P
(ii)
1-
2 187
I()J~4
(4)1
~1....
16.l~4
1!13~:'
1' ( I acierto)
(~) (i) (~)6
51 03
163 X4
4547
8182
La probabilidad (le; no pegar en d blanco es rn Por tanto bu scamos el mellor 1/ para el cual (In e, m ilor que 1 ..==
donde q ~ 1 -- l' = 1 .Por tanlO calculamos [Jotencias succ,ivas de q hasta obtener q" < -k
R 1,
t = 1
Ln n;sulllen ti ene que di s[Jarar 4 veces .
6.7.
Probar el teorenfa 6.\: La probabilidad de k xitos exactamente en

b(k; n, p) = G) pk q" - k.
ti
pruebas repetidas es
El espacio mue stral de las n pruebas repetidas consta de todas las I/-uplas ordenadas cuyas componentes son o s
(xitos) o fUracasos). El eVnto A de /., xitos consta de toda s las ,,-uplas de las cuales k compom:llles son s y las otras
,,-/., com ponents son f El nmero de I/-uplas en el evento A es igual al nmero de maner as en que k letras s puede distribuir se entre las n componentes de una ,,-upla ; o sea qu e A colista de
[Juntos mueslrales. Pues to que la probabilidau de cada punto de A es pk qn-k, tenemo, peA)
(~) pk qn-k.
G)
6.8.
[CAP. 6
DISTRlBUCIONES BINOMIAL. NORMAL Y DE POISSON
114
Probar el teorema 6.2: Sea X una variable aleatoria con

tonces, (i) E(X) = np y () var(X) = npq. Por consiguiente,
(i)
Usando b(k; n, p)
(~)
. n, p). En-
binomial
U
qn-I<, obtenemos
n
"
n,P)
np
(no consideramos el trmino k = O puesto que su valor es cero, y fctorizamos np en cada trmino). Hacemos
s
k - I en la suma anterior. Cuando k recorre los valores 1 a n, s recorre los valores O a 11
1. As.
71-1
,,-1
E(X) =
np ~ b(8; n-1, p)
np ~ _-"-'-_~-,-p'qn-l-.
0=0 8
np
8"'0
puesto que, por el teo rema del binomio

,,-1
~ bes; n-l,p)
(p
+ q)n-l
1"- !
0=0
Calculamos primero E(X '):
Hacemos de nuevo s
E(X2)
k 2 b(k; n, p)
"
I Y obtenemos
,..-1
,,-1
np
np
n-l
(s
Pero
sob(8;n-l,p)
(n -l)p
I)p.
var
As el teorema
6.9.
que~a
np
b(s;n-l,p)
np
En consecuencia,
E(X2)
y
+ 1) bes; n-1, p)
,,-1
+ 1) bes; n-l, p)
donde usamos (i) para obtener (n -
(8
np(np
= E(X2)
+ q)
:::;; (np)2
(np)2
+ npq
+ npq
(np)2
npq
probado.
Determinar el nmero esperado de nios de una familia con 8 hijos, suponiendo la distribucin del
sexo igualmente probable. Cul es la probabilidad de que el nmero
de nios suceda?
El nmero
de ninos es E = np
= 4. La probabilidad de que la familia tenga cuatro
b(4; 8, i)
70
256
nios es
0.27
6.10. La probabilidad de que un artculo producido por una fbrica sea

es 0,02. Un cargamento
10.000 artculos se enva a sus almacenes. Hallar el nmero esperado E de artculos defectuosos y la desviacin estndar (J'.
E
C1
np
(10.000)(0,02):::: 200.
Y(1O.000)(0,02)(0,98) =
VI96 =
14.
115
CAP. 6]
DISTRIBUCION NORMAL
6.11. La media y la desviacin estndar de un examen son 74 y 12 respectivamente. Hallar los resultados en unidades estndar de los estudiantes que recibieron notas, (i) 65, (ii) 74, (iii) 86, (iv) 92.
x-p.
(i)
(ii)
65 - 74
12
x-p.
74 - 74
12
-0,75
(iii)
(iv)
= x-p.
u
86 - 74
12
1,0
x-p.
92 - 74
12
1,5
6.J2. En relacin con el problema precedente, hallar las notas que corresponden a resultados estndar
(i) - 1, (ii) 0,5, (iii) 1,25, (iv) 1,75.
(i)
x -
ut
+ J1.
(12)(-1)
(ii)
x -
ut
+ J1.
(12)(0,5)
+ 74
+ 74
62
(iii)
80
(iv)
=
=
+ p.
ut + p.
ut
6.13. Sea <p la distribucin normal estndar. HaIlar <p (1) para, (i) I =
t = - 2,08.
(12) (1 ,25)
(12)(1,75)
1,63, (ii) I
+ 74
+ 74 =
=
89
95
-0,75 , (iii)
(i)
En la tabla 6. 1, buscar hacia abajo en la columna primera hasta llegar al elemento 1,6. Luego continuar a la derecha hasta la columna 3. El elemento hallado es 0,1057 . Por consiguiente 4>(1,63) = 0,1057.
(ii)
Por simetra , 4>(- 0,75)
(iii)
4>(-2,08) = 4>(2,08) = 0,0459.
= 4>(0,75) = 0,3011.
6.14. Sea X una variable aleatoria con distribucin estndar <p . Hallar:
~
(v)
1,42)
P(-1,79~X~-0,54)
P(O
(ii)
P(-O,73~
O)
(vi) P(X
(iii)
P(-1,37~
2,01)
(vii) P(XI
(iv) P(0,6S
(i)
(i)
1,13)
==:;
0,5)
1,26)
P(O == X == 1,42) es igual al rea bajo la curva normal estndar entre O y 1,42. O sea que en la tabla 6.2, buscar hacia abajo en la primera columna hasta llegar a 1,4, y luego
continuar a la derecha hasta la columna 2. El elemento es
0,4222. Por consiguiente, P(O == X
1,42) = 0,4222.
(ii)
Por simetra,
==
= ==
p(- o,n
=
(iii)
P(O
O)
0,73)
0,2673
P(-I,37=X=2,01)
=
P(-1,37==X==0)
0,4147
P(0=X=2,01)
0,4778 = 0,8925
-0,73
116
(i v)
ICAP. (,
1'(0,65:=0 ):' :=o 1,26)

1'(0:=0 X :=o 1,26)
1'(0:=0 X
0,(5)
0.3962 - 0,2422 = 0,1540
(v)
P( - 1.79:=0 X "'"
0,54)
P(O,54 "'" X l , 79)

1'(0"'" X "'" 1,79)
(vi)
1'(0 "'"
0,2054
0,4633
P(X ~ 1,13)
P(X
O) -
0.5000
P(O:=ol(
0,3708
1.13)
0.1
(vii) P( Ixl :=o 0,5)

1'(--0,5 :=o X
0,5)
21'(0 :=o X
0,5)
2(0.1915)
0.lil30
6.15. Sea X una variable aleatoria con dislribucin normal estndar .p. Determinar el valor de
(i)
()
P(O~X
(ii)
t)
En la tabla
11 1, el elcrnen!o 0,4236 aparece

1,4
la columna 3. Por tanto.
a la derecha
1.43
(ii)
Obsrvese primero que I

probabIlidad e, mayor que!
que la
t)
t)
0.7967
As, de la labia 6.2, obtenemos I
(iji)
O,7967,(iii)
l)
P(O
t)
0,4772
!
0,5000
0,2967
0,83.
2)
P(t "'" X :=o 2)
0, 1000
0,3772
As. de la tabla 6.2, obtenemos I

1,161 (por interpola1,16.
cin linea 1)
P(t~X~2)
0,1000,
si,
DISTRIBUCIONES BINOMIAL, NORMAL Y DE POlSSON
CAP . 6J
117
6.16. Supngase que la temperatura T durante junio est distribuida normalmente con media 68 y
desvi ac in estndar 6. Hallar la probabilidad p de que la temperatura est entre 70 y 800.
70 en unidades estndar
(70 - 68) / 6
0,33.
80 en unidades es tndar = (80 --- 68)/6 = 2,00.
En IOnces
p
= P(70,,: T
===
80) = P(0,33,,: T' ,,: 2)
P(O,,: T",,: 2) ._- P(O,,: T* ,,: 0,33)

0,4 772 ..- 0,1293
0,3479
Aqu T' es la variable aleatoria estandarizada correspondiente a T y as T' tiene distribucin normal estndar "' .
0.33
6.17. Supngase que las estaturas H de 800 estudiantes estn normalmente distribuidas con media
66 pulgadas y desviacin estndar 5 pulgadas. Hallar el nmero N de estudiantes con estatura,
(i) entre 65 y 70 pulgadas, (ii) mayor o igual a 6 pies (72 pulgadas).

(i)
65 pulgadas en unidades estndar = (65 -- 66) / 5

70 pulgadas en unidades estndar = (70 -
Por
- 0,20
66) / 5 = O,SO
tanto~
P(65 =-= H ,,: 70)
P( -- 0,20
0,0793
Ent onces N
(ii)
H' ,,: 0,80)
0,28SI
0,3674
800(0,3674) = 294.
72 pulgadas en unidades estndar
- 0.2
(72 ._.- 66) / 5
o. ~
1, 20
Por tanto,
P(H "" 72) = P(H' "" 1,2)
0,5000 As N
SOO(O, 1 151)
0,3849
0,1151
92 .
Aqu } f ' es la vari ab le aleatoria estandarizada correspondiente a H y, por tanto, H' tiene distribucin
normal estndar "'.
1.2
APROXIMACION NORMAL A LA DISTRIBUCION DlNOMIAL

6.18. Una moneda corriente se lanza 12 veces. Determinar la probabilidad P de que el nmero de ca
ras que salgan est entre 4 y 7 inclusive por medio de, (i) la distribucin binomial, (ii) la aproximacin normal a la distribucin binomial.
(i)
Por el teorem a 6. 1 con n
12 Y P
t.
P(4 caras)
P(S ca ras)
(2)
P(6 caras)
P(7 ca ras)
Por tant o,
495
40 96
792
924
792
+ 4096 + 4006 + 4096 ==
2
) (!)4 (t)8
4
(~_)5
495
4096
(t)7
792
4096
2
) (t)6 (t)6
6
~
4096
2
) (t)7 (t)5
7
792
4096
e
e
3003
4096
= 0,733 2.
118
(ii)
[CAP. 6
0,25
0.20
0.15
0.05
lO
11
12
Probabilidad de ocurrencia del nmero de caras.
t =
t t =
np
12
6 Y u
ynpq
v'12
1,73 . Denotemos X el nm ero de caras que
Aqu J.I
sa le. Buscamos P(4 "" X "" 7). Pero si suponemos que el dato es continuo, con el fin de poder apli ca r la aproximacin
norma l, tenemos que hall ar P(3,5 ~ X "" 7,5), como se indica en el diagr ama anterior. Ahora
3,5 en unid ades estndar = (3,5-6)/1,73 = -- 1,45.

7,5 en unidad es estndar
P(3,5~
p ...
Entonces
0,4265
0,87 .
~7,5)
X
~
P(-- 1,45
(7,5 - 6)/1,73
* "" 0,87)
+ 0,3078
1.45
= 0,7343
'0.87
6.19. Un dado corriente se lanza 180 veces. Hallar la probabilidad P de que el lado 6 sa lga, (i) entre
29 y 32 veces inclu sive, (ii) entre 31 y 35 veces inclusive.
Aqu J.I
np
el lado 6 aparece.
(i)
= 180 ! = 30
= v'npq = v'180 ! . i = 6.
(J
Buscamos P(29 ~ X "" 32) o, supuesto el dato continuo,

P(28,5 ~ X ~ 32,S). Ahora
-0,3
28,5 en unid ades estndar
(28,5 - JO) / 5
32,S en unidad es estndar
(32,5 - 30)/5 = 0, 5
Por tanto,
P ... P(28,5 "" X

P(-O.3
0,1179
(ii)
Denotamos X el nmero de veces que
Bu sca mos P(3 I ~ X
32.5)
+ 0,1 915
~
O)
P(-O,3 "" X'
+ P(O
X'
0,5)
0,5)
_0.1 0 '0. 5
= 0.3094
35) o, supu es to el dato co ntinu o, P(30,5
30,S en unidades estnd ar
(30,5 - 30) /5
35,5 en unidades estnd ar
(35,5 --- 30)/5 = \,1
X ~ 35,5). Ahora
0,\
Entonces
P=
P(30,5""X~35,5) =
P(O
X *
1, 1) -
P(O,I~X' ~I,I)
P(O
X'
O, 1)
0.1
0,3643 - 0,0398 = 0,3245
1.1
6.20. Hallar la probabilidad P de que cntre 10.000 dgitos al azar, el dgito 3 aparezca 950 veces a lo
sumo.
ro
Aqu J.I
np
10.000
= 1000 y (J = ynpq
ro de veces que el dgito 3 sale. Buscamos P( X "" 950). Ahora
= Y10,000 ro .lo =
30.
Ll amemos X
el nme-
CAP 6J
950 en unidades estndar =
(950 -
- 1,67
P = P(X
Por tan to
1(00)/30
:o 950) = P(X * :o - 1,67)
P(X~0) - P(-1,67~X*
0,5000 - 0,4525
:00)
0,0475
119
-1,67
DISTRIDUCION DE POISSON
6.21. Hallar (i) e - u, (ii) e -
2.5.
Por la tabla 6.3, pgina 112, y la ley de los exponentes:

(i)
e- U
(e- 1)( e - 0.3 )
(0,368)(0, 741) = 0,273.
(ii)
e-
(e- 2 )(e - 0 .5 )
(0,135 )(0. 607) = 0,0819.
2.5
6.22. Por la di stribucin de Poisson p(k;'\)
= T'
'\''' -A
hallar (i) p(2; 1), (ii) p(3;
~), (iii)
p(2; 0,7).
(Usar la tabla 6.3, pgina 112, para obtener e-A .)
(i)
p(2; 1)
(ii)
p(3; ~)
I2e- 1
e- \
= 2! = 2
(] )3e - 0.5
( iii) p(2; .7)
0,36!i
= - 2 - = 0,184
e- Os
0.607
48
48
3!
(0 ,7)2 c -0.7
(0,49)(0,497)
2!
0,0 13
0,12
6.23. Supngase que 300 erratas estn di stribuidas al azar a lo largo de un libro de 500 pginas. Hallar
la probabilidad P de que una pgina dada contenga, (i) 2 erratas exactamente, (ii) 2 o ms erratas.
Consideremos el nmero de erratas de una pgina como el nmero de xitos en una sucesin de pruebas de Bernoulli.
Aqu n = 300 puesto que hay 300 erratas, y p = 1/500, la probabilidad de que aparezca una errata en la pgina dada.
Puesto que p es pequ eo, usamos la aproximacin de Poisso n a la distribucin binomial con A = np = 0,6.
(i)
(ii)
P(O erratas)
(0,6)2 e - 0. 6
p'(2 ; 0,6)
P(I errata)
(0,36)(0,549) /2
O!
_ (0,6)Oe-O.6
O!
=
e-O.6
0,0988 = O, I
= 0,549
(O 6\e-O ,6
,ft
= (O "6)(0 549) ~ 0329
l!
,
Entonces P = I - P(O I errata) = 1 - (0,549
+ 0,329)
0,122 .
6.24. Supngase que el 2 % de los artculos producidos en una fbrica son defectuosos. Hallar la pro-
babilidad P de que haya 3 artculos defectuosos en una muestra de 100 artculos.

Se aplica la distribucin binomial para 1/ = 100 Y P
aproximacin de Poisson con A = np = 2. As
p(3; 2)
23 e- 2
31
0,02. Sin embargo, puesto que p es pequeo, usamos la
8(0,135)/6 = 0,180
P. 6
120
(,,25, Mostrar que la distribucin de Poisson
. A) es una distribucin de probabilidad,
p{k; A)
eA
ror r,-,"ultados conocidos del anl isis
sea
l-..klk!, Por lanto,
p(l.; l-..)
Pr(lh~lr
el teorema (1.5: Sea X una variable aleatoria con la distribucin de Poisson

Por tanlO, (i)
A Y (ii) var pI.')
A. De aqu (J'x = y"A.
(i)
. A).
Usando
k p(k; A)
el trmino k
o puesto que su valor es cero, y faetorizamos A en cada trmino). Sea s = k
en la suma anterIOr. Cuando k recorre los valores la"', s recorre los valores O a "". As,
E(X)
pes; l-..} = 1 por el problema anterior.
ucsto que
(il)
p(s; ,,)
Primero calculamos E(X ')
k 2 p(k; l-..)
Hacemos de nuevo
1 Y obtenemos
(s
Pero
(s
+ 1) pes; Xl
sp(s; A)
+ 1) p(8;
p(8; A)
A)
A+ 1
d,'nde u,:;,mo, (i) para obtener X y el problema anterior para obtener I En consecuencia,
X(X
+ 1)
).,2
var
As, el teorema queda robado.
6.27. Mostrar que
SI {J
y n es
la distribucin binomial se
. n, p) <= p(k; A)
.\ = np.
es
ci n de
Tenemos b(;
11,
p)
(1
p)tt
(1
"In)".
In b(O; n,
El desarrollo de Taylor de] logaritmo natura] es
ln(l+x)
1'''1' tanto,
Tomando logaritmo natural a ambos lados,
n In (1 - Xln)
a la distribu-
DISTRIBUCIONES BINOMIAL. NORMAL Y DE POISSON
CAP. 61
Por tanto, si
fI
121
es gmnde,
In b(O; '11., p)
'11.
ln (1
y de aqu b(O; n. p) "" e-h.
hlO cs,
b(k;
71,
p) "'"
k>- b(k -1; n, p).
,,2 e-A/2 Y. por induccin, b(k;
'11.,
p) ""
As usando b(O; n .p) "" e-A, obtenemos b(i: fI.p) "'" Xe

~J<e-A
b(2; n.p)
p(k; A).
PROllLEMAS VARIOS
30% azules y 20% verdes.
6.28. Las lmparas de colores producidas por una compaa son 50%
En una muestra de 5
hallar la probabilidad P de que 2 sean rojas, I sea verde y 2 sean
azules.
Por el teorema 6.6 sobre distribucin multinomial,
5!
p ::::
~.~.c_. __..,
(0,5) '(0.3)(0,2) 1
0.09
6.29. Mostrar que la distribucin normal
f(x)
cs una distribucin de probabilidad continua, esto es
Sustituyendo t :::: (x - /l)1cr en
f_~
12
f(x) dx
1.
!(x) dx, obtenemos la integral
1
Es suficiente mostrar que J'
i:
::::
l Tenemos
dI!
::::
J'
::::
oc
e-
(3'
+ t')/2 dI! dt
-oc
IntrodUCimos coordenadas polares en la integral doble anterior. Sea s

y O
fJ
2l:1' Y O
r"'"
00,
~o
r cos
(J
y I
12
""/2
2JT
Por lanto, ds dI
drde
Pero
Por lanto, 1 2
r sen
Esto es,
211
()
de
1 Y el teorema qu<.:J probado.
6.30. Probar el teorema 6.3: Sea' X una variable aleatoria con distribucin normal
Entonccs, (i)
()
X)
Por definicin.
... y (ii)
1
f(x)
::::
var(X)
~'"
J'"
-00
e- ",(x-.tl"!'
ayl2;
fil. Por tanto O'x
u.
xe-"'(x-.t)u" dx. Eslablecenuo
(x
da, obtenemos
rdr d8

PROBABILIDAD

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

PROBABILIDAD

Încărcat de

Drepturi de autor:

Formate disponibile

Captulo 5

Vari ables aleatorias

Una variable aleatoria X de un espacio muestra! S es una ,"uncin de S en el conjunto R

(XY)(s) = X(s) Y(s)

Usamos la notacin abreviada P(X = a) y Pea ~ X ~ b) para la prohabilidad de los succsos

Significados anlogos se dan a

P({s E S: X(s) == a})

DISTRlBUCION y ESPERANZA DE UNA VARIABLE ALEATORIA FINITA

La distribucin f satisface las condiciones

{(l, 1), (1,2), ... , (6, 6)}

= P(c(2, 1), (2,2), (1, 2)})

P({(3, 1), (3,2), (3,3), (2,3), (1, 3)})

P( {(4, 1), (4,2), (4,3), (4,4), (3,4), (2,4), (1, 4)})

Esta inrormaci n s<.: pon e en forma de tabla co mo sigue:

110 + 2'f6 + 3'fs

4'ii + 5'fs + 6'*

{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

Obtenemos, por ejemplo,

4) = P( {(l, 3), (2,2), (3, I)})

La media de Y se ca icu la como ,iglH':

Los siguientes (jagramas describen grficamente las distribuciones anteriores:

Ejemplo 5.2: Una moneda cargada tal que P(Jl)

P(TTT) :::: 127

P({HTH, HTT, THT, TTH})

f(2) = P{{HHT, THH}) :::: .!.

Esta informacin se tabula en la siguiente forma:

La media de X se calcula como sigue:

espacio muestral consta

220 muestras diferentes

84 muestras sir art cu los defectuosos;

108 muestras con I artculo defectuoso;

27 muestras con 2 artculos defectuosos;

(33) -_I muestra con J artculos defectuosos

84/220. IOg /220,

dinero, el valor esperado E del juego se considera como el

Los nmeros negativos -1,

4 --6 corresponden al hecho de que el Jugador

teoremas en relacin con la nocin de valor

Teorema 5.1: Sea X una variable aleatoria y k un nmero real. Entonces

Teorema 5.2: Sean X y Y variables

para operaciones de vuE(kX)

muestral S. Entonces E(){

Un simple argumento de induccin conduce al

VARIANZA Y DESVIACION ESTANDAR

el valor "promedio" de X El conde X.

denotada por var()\'). se define como

estndar de X, denotada por a x , es la raz cuadrada

Teorema 5.4: var (X) =

4,47. Calculamos la varianza y la desviacin estndar de X Primero calculamos

7, Calculamos la varianza y la desviacin estndar de Y. Primero calculamos

X una variable aleatoria y k un nmero real. Entonces (i) var(X + k)

> O. La variable aleato-

= {y!, Y2, ... , Ym}

Formamos el conjunto producto

en un espacio de probabilidad definiendo la probabilidad de la pareja ordenada

g anteriores se definen por

Ahora si X y Y son variables aleatorias con la distribucin conjunta anterior (y las

(ver problema 5.18) por

La correlacin de X y y, denotada por p (X, Y), se define por

finito S que est formado por 36

{(1, 1), (1,2), ... , (6,6)}

Sean X Y V las variables aleatorias de S en el

VARIAIJU:S ALEA fORIAS

elemento anterior }J, 5)