Estadisticas Sol Unidad 1 PDF

Estadstica: ejercicios de la primera Unidad
did actica
Dr. Vctor Hern andez
Dr. Jorge Martn
Dr. Jos e Antonio Carrillo
Grado en I. Inform atica/I. en Tecnologas de la Informaci on. UNED
Indice general
Ejercicio 1.1. Manejo del formalismo de los sucesos [1.1.1] . . . . . . . . . 5
Ejercicio 1.2. Propiedades de la probabilidad [1.1.2] . . . . . . . . . . . . . 7
Ejercicio 1.3. Modelo de un experimento aleatorio [1.1.1, 1.1.2, 1.1.3] . . . 8
Ejercicio 1.4: Modelo de un experimento aleatorio [1.1.1, 1.1.2, 1.1.3] . . . 12
Ejercicio 1.5: Modelo de un experimento aleatorio [1.1.1, 1.1.2, 1.1.3, 1.1.4] 16
Ejercicio 1.6: Dgitos aleatroios [1.2.1, 1.2.2, 1.2.3] . . . . . . . . . . . . . 17
Ejercicio 1.7: C alculo con probabilidades condicionadas [1.2.1] . . . . . . . 20
Ejercicio 1.8: Modelo din amico [1.2.1, 1.2.2, 1.2.3] . . . . . . . . . . . . . 25
Ejercicio 1.9: Modelos din amicos [1.2.1, 1.2.2] . . . . . . . . . . . . . . . 26
Ejercicio 1.10: F ormula de Bayes [1.2.1, 1.2.2, 1.2.3] . . . . . . . . . . . . 28
Ejercicio 1.11: Independencia de sucesos [1.2.4] . . . . . . . . . . . . . . . 32
Ejercicio 1.12: C alculo con sucesos independientes [1.2.4] . . . . . . . . . 33
Ejercicio 1.13: C alculo con sucesos independientes [1.2.2, 1.2.4] . . . . . . 35
Ejercicio 1.14: Variables aleatorias [1.3, 1.3.1] . . . . . . . . . . . . . . . . 37
Ejercicio 1.15: Variables aleatorias [1.3, 1.3.1, 1.3.2, 1.3.3, 1.3.5] . . . . . . 38
Ejercicio 1.20: Vectores aleatorios [1.5, 1.5.1, 1.5.2, 1.5.3, 1.5.7] . . . . . . 46
Ejercicio 1.21: Vectores aleatorios [1.5.1, 1.6, 1.6.1] . . . . . . . . . . . . . 47
Ejercicio 1.22: C alculo con valores esperados [1.3.3, 1.5.3, 1.5.4, 1.5.5, 1.5.6] 50
Ejercicio 1.23: Vectores aleatorios [1.5, 1.5.1, 1.5.2, 1.5.3, 1.5.7] . . . . . . 51
Estadstica. Primera unidad didactica 5
Ejercicio 1.1: Manejo del formalismo de los sucesos [1.1.1]
Parte A.
La gura 1.1 muestra el diagrama de un circuito formado una serie de dos conmu-
tadores y un subcircuito de dos conmutadores en paralelo. Los conmutadores pueden
A
c
1
B
c
2
C
c
3
c
4
D
Figura 1.1
estar abiertos o cerrados, si est an cerrados, puede pasar la corriente, mientras que si
est an abiertos, no puede pasar. Designemos por A
i
al suceso el conmutador c
i
est a ce-
rrado, i = 1, . . ., 4.
Expresar en t erminos de los A
i
, los sucesos denidos por:
1. La corriente puede pasar entre entre A y C.
2. La corriente no puede pasar entre entre C y D.
3. La corriente puede pasar entre entre A y D.
4. La corriente no puede pasar entre entre B y D.
Parte B Si A, B y C son sucesos del algebra A de un modelo probabilstico, expresar
en t erminos de A, B y C, y de las operaciones con conjuntos, los siguientes sucesos
denidos por:
a. Alguno de los sucesos A o B, ocurre.
b. Al menos dos de los sucesos A, B o C, ocurren.
c. Ninguno de los sucesos A o B ocurre.
d. Exactamente uno de los sucesos A, B, C, ocurre.
e. A y B ocurren, pero C no.
f. Exactamente dos de los sucesos A, B o C ocurren.
6 UNED. I. Informatica/I. en Tecnologas de la Informaci on, Curso 2012-2013
Soluci on.
Parte A
1. La corriente puede pasar entre A y C si y solamente si ambos conmutadores, c
1
y
c
2
, est an cerrados, por lo que se tiene
{la corriente puede pasar entre entre A y C} = A
1
A
2
2. La corriente puede pasar entre C y D si y solamente si alguno de los conmutadores
c
3
y c
4
est a cerrado; se tiene
{la corriente puede pasar entre entre C y D} = A
3
A
4
luego
{la corriente no puede pasar entre entre C y D} = (A
3
A
4
)
c
= A
c
3
A
c
4
3. La corriente puede pasar entre A y D si y solamente si puede pasar entre A y C y
tambi en puede pasar entre C y D, este suceso es la intersecci on de los dos anteriores
{la corriente puede pasar entre entre A y D} = A
1
A
2
[A
3
A
4
]
= [A
1
A
2
A
3
] [A
1
A
2
A
4
]
4. La corriente no puede pasar entre B y D si y solamente si no puede pasar entre B y
C, o no puede pasar entre C y D, y resulta
{la corriente no puede pasar entre entre B y D} = A
c
2
(A
3
A
4
)
c
Parte B.
1. Alguno de los sucesos A o B, ocurre: AB.
2. Al menos dos de los sucesos A, B o C, ocurren: (AB) (AC) (BC).
3. Ninguno de los sucesos A o B ocurre: (AB)
c
= A
c
B
c
.
4. Exactamente uno de los sucesos A, B, C, ocurre: (AB
c
C
c
) (A
c
BC
c
)
(A
c
B
c
C)
5. A y B ocurren, pero C no: ABC
c
.
6. Exactamente dos de los sucesos A, B o C ocurren: (ABC
c
) (AB
c
C)
(A
c
BC).
Ejercicio 1.2: Propiedades de la probabilidad [1.1.2]
Parte A. Si A y B son dos sucesos del algebra A de un modelo probabilstico,
expresar en t erminos de P(A), P(B), y P(AB), las probabilidades de los siguientes
sucesos:
a. Al menos uno de los sucesos A o B ocurre.
b. S olo uno de los sucesos A o B ocurre.
c. Ninguno de los sucesos A o B ocurre.
Parte B. Si A y B son dos sucesos del algebra A de un modelo probabilstico,
expresar en t erminos de P(A), P(B), y P(AB), las probabilidades de los siguientes
sucesos:
d. A
c
B
c
e. A
c
B
c
f. A
c
B
g. A
c
B
h. A(A
c
B)
Soluci on.
Parte A.
a.
P(al menos uno de los sucesos A o B ocurre) = P(AB)
= P(A) +P(B) P(AB)
b.
P(s olo uno de los sucesos A o B ocurre) = P(AB
c
) +P(A
c
B)
= P(A) P(AB) +P(B) P(AB)
= P(A) +P(B) 2P(AB)
c.
P(ninguno de los sucesos A o B ocurre) = P((AB)
c
)
= 1 P(AB)
= 1 P(A) P(B) +P(AB)
Parte B.
d.
P(A
c
B
c
) = P((AB)
c
)
= 1 P(AB)
e.
P(A
c
B
c
) = P((AB)
c
)
= 1 P(AB)
= 1 P(A) P(B) +P(AB)
f.
P(A
c
B) = P(B(AB))
= P(B) P(AB)
g.
P(A
c
B) = P(A
c
) +P(B) P(A
c
B)
= 1 P(A) +P(B)
_
P(B) P(AB)
_
= 1 P(A) +P(AB)
h.
P(A(A
c
B)) = P(AB)
= P(A) +P(B) P(AB)
Ejercicio 1.3: Modelo de un experimento aleatorio [1.1.1, 1.1.2, 1.1.3]
Plantear un modelo consiste en denir un espacio muestral que contiene todos
los casos que consideramos posibles y asignar una probabilidad a cada caso de manera
acorde con las caractersticas del experimento.
1. Plantear un modelo del experimento aleatorio que consiste en lanzar una moneda
equilibrada hasta que han aparecido por primera vez o dos caras o dos cruces.
2. Plantear un modelo para el experimento que consiste en elegir al azar un n umero
de tres bits, x
1
x
2
x
3
, x
i
= 0 o 1, entre todos los n umeros posibles. Cu antos sucesos
tiene el modelo? Cu al es la probabilidad de que se cumpla x
1
+x
2
+x
3
0 mod (2)?
3. Plantear un modelo para el experimento que consiste en elegir al azar un n umero
de cuatro bits, x
1
x
2
x
3
x
4
, x
i
=0 o 1, entre todos los n umeros posibles. Cu antos sucesos
tiene el modelo? Cu al es la probabilidad de que se cumpla x
1
+x
2
+x
3
+ x
4
0
mod (2)?
4. Plantear un modelo para el experimento que consiste en elegir al azar un sub-
conjunto de smbolos del alfabeto = {a, b, c, d} (el subconjuntos se sortea entre
todos los subconjuntos posibles, incluyendo a / 0 y ). Cu antos sucesos contiene este
modelo? Escribir los casos favorables al suceso
A = el subconjunto elegido contiene la letra a
y calcular su probabilidad.
5. Consideremos la un m etodo para elegir aleatoriamente un subconjunto de smbo-
los del alfabeto ={a, b, c, d} que consiste en la selecci on secuencial de los smbolos
que formar an el subconjunto; tal selecci on se realiza de la manera siguiente: lanzamos
cuatro veces una moneda equilibrada, si en el primer lanzamiento sale cara, escoge-
mos la letra a para formar parte del subconjunto; si sale cruz, la rechazamos; si en el
segundo lanzamiento sale cara, escogemos la letra b para formar parte del subconjun-
to; si sale cruz, la rechazamos; as sucesivamente. Por ejemplo, si los cuatro resultados
de lanzar la moneda son cruz, el subconjunto elegido es / 0. Denir un modelo proba-
bilstico a este procedimiento de formar un subconjunto aleatorio y compararlo con
los modelos de los apartados 4 y 3.
Soluci on.
1. Lo primero que se nos ocurre es hacer una lista de todas los resultados distintos que
podemos obtener lanzando la moneda hasta que se cumple la condici on del enunciado:
aparecen dos caras o dos cruces. Esa lista de casos sera:
Este an alisis de los casos posibles nos lleva a plantear un espacio muestral con seis
puntos
primer modelo
={ , , , , , }
El inconveniente de este modelo es que no es razonable aceptar que todos los casos
tienen la misma probabilidad; por ejemplo, parece claro que tiene m as probabi-
lidad de ocurrir que . Por ello, puede ser preferible plantear un modelo menos
intuitivo, pero m as sim etrico; por ejemplo, es claro que si lanzamos tres veces la mo-
neda, con seguridad habr an salido o bien dos caras o bien dos cruces, luego podemos
platear un modelo con los ocho casos posibles de la tabla 1.1 El espacio muestral
1
={ , , , , , , , }
Tabla 1.1
es completamente sim etrico y podemos aceptar que todos los casos tienen la misma
probabilidad igual a 1/8.
P( ) = P( ) = P( ) = = P( )
El calculo de la probabilidad de un suceso se reduce al recuento de casos favorables;
por ejemplo, la probabilidad de que sea necesario lanzar la moneda dos veces es igual
a
P(lanzar dos veces) =P( ) +P( ) +P( ) +P( ) =
4
8
Con palabras diramos que este modelo proviene del articio mental siguiente: aun-
que el juego haya terminado en la segunda tirada porque ya aparecieron dos resultados
iguales, todava lanzaremos una vez m as la moneda, de esta manera todos los resulta-
dos son sim etricos.
2. Hay ocho n umeros binarios distintos de tres bits que se muestran en la tabla 1.2.
Puesto que elegimos un n umero al azar, debemos suponer que todos tienen la misma
111 011 101 110
000 100 010 001
Tabla 1.2
probabilidad de ser elegidos, esto es 1/8. Nuestro modelo est a formado por el espacio
muestral
2
={111, 011, 101, 110, 000, 100, 010, 001}
con la probabilidad uniforme que atribuye igual probabilidad a cada uno de los casos
P(111) = P(011) = = P(000) =
1
8
Observemos que si cambiamos 1 por y 0 por , la tabla 1.2 es id entica a la
tabla 1.1; desde el punto de vista probabilstico este modelo es id entico al modelo
(
1
, P) del apartado anterior.
Para calcular la probabilidad del suceso denido por que se cumple x
1
+x
2
+x
3
0
mod (2) identicaremos los casos favorables, claramente, esta igualdad se cumple
cuando x
1
x
2
x
3
tiene un n umero par de unos (considerando cero como n umero par),
as se tiene
A ={x
1
x
2
x
3
| x
1
+x
2
+x
3
0 mod (2)}
={hay un n umero par de unos}
={110, 101, 011, 000}
y se tiene P(A) = 4/8 = 1/2.
3. Este ejercicio es un poco m as general que el anterior, podemos tratarlos como hi-
cimos antes, pero parece claro que el simple recuento no es un buen m etodo para
tratar n umeros de dimensiones cada vez mayores. Un razonamiento general nos de-
muestra que hay 2
4
n umeros de cuatro bits: el primer bit se puede escoger de dos
maneras, 0 o 1; cualquiera que haya sido la elecci on del primero, el segundo tam-
bi en se puede elegir de dos maneras, etc., as el n umero de posibles elecciones es
2 2 2 2 = 2
4
= 16. Este razonamiento se puede aplicar cualquiera que sea el
n umero de bits y nos demuestra que hay 2
n
n umeros distintos de n bits.
El espacio probabilstico (no lo vamos a escribir) queda denido por ser un con-
juntos de 2
4
elementos donde todos tienen la misma probabilidad (modelo uniforme),
esa probabilidad com un es 2
n
.
Si queremos calcular la probabilidad del suceso
A ={x
1
x
2
x
3
x
4
| x
1
+x
2
+x
3
+x
4
0 mod (2)}
podemos recurrir al recuento exhaustivo y obtenemos
A ={x
1
x
2
x
3
x
4
| x
1
+x
2
+x
3
+x
4
0 mod (2)}
={hay un n umero par de unos}
={1111, 1100, 1010, 1001, 0110, 0101, 0011, 0000}
luego P(A) = 8/16 = 1/2.
Para tratar casos de mayor dimensi on es necesario emplear m etodos e ideas m as
generales; por curiosidad exploraremos uno de esos razonamientos generales. Desig-
nemos por P(n+1) al n umero de secuencias de n+1 bits que tienen un n umero par de
unos; ahora miremos el primer bit, si es un cero, los n bits que siguen deben contener
un n umero par de unos, luego hay P(n) secuencias de esta clase; mientras que si el
primer bit es un uno, los n bits siguientes deben contener un n umero impar de unos
luego hay 2
n
P(n) secuencias de esta clase. En total, las secuencias de n+1 bits que
contienen un n umero par de unos son tantas como la suma de los dos anteriores, las
que tienen un n umero par de unos y comienzan por uno m as las que tienen un n umero
par de unos y comienzan por cero, es decir
P(n +1) = P(n) +2
n
P(n) = 2
n
4. Debemos saber que el conjunto tiene 2
4
subconjuntos distintos, desde el subcon-
junto vaco / 0 hasta el total , el conjunto de los subconjuntos de o conjunto de las
partes de es el espacio muestral de este modelo.
4
=P ={/ 0, {a}, {b}, {c}, {d}, {a, b}, . . ., {a, b, c, d}}
puesto que se elige al azar uno de estos subconjuntos, cada uno puede ser elegido con
igual probabilidad que cualquier otro, lo que implica que la probabilidad de elegir
un subconjunto determinado es 1/2
4
= 2
4
. El modelo tiene tantos sucesos como
subconjuntos tiene
4
; puesto que
4
tiene 2
4
elementos, el modelo tiene
2
2
4
= 2
16
sucesos.
Para calcular la probabilidad del suceso
A = el subconjunto elegido contiene la letra a
debemos contar cu antos subconjuntos tienen como elemento la letra a, sin dicultad
obtenemos
A ={{a}, {a, b}, {a, c}, {a, d}, {a, b, c}, {a, b, d}, {a, c, d}, {a, b, c, d}, }
No sera necesario escribirlos todos, basta razonar que habr a tantos como subcon-
juntos del conjunto B = {b, c, d} ya que si a cualquier subconjunto de B se a nadi-
mos el elemento a, obtenemos un subconjunto de que contiene a a; se sigue que
P(A) = 2
3
/2
4
= 1/2.
5. Este ultimo apartado nos ense na que los modelos de los apartados 3 y 4 son
id enticos y que esa equivalencia proporciona un m etodo para simular la elecci on de
un subconjunto al azar. Basta comprender que formar un subconjunto de consiste en
tomar cuatro decisiones binarias: si a es un elemento del subconjunto o no; si b es un
elemento o no, etc.; la correspondencia entre decisiones y subconjuntos es claramente
biyectiva. Si traducimos 1 por pertenece y 0 por no pertenece, cada n umero de cuatro
bits codica un subconjunto; por ejemplo, el n umero 1010 es el c odigo del subconjun-
to {a, c}. Con esta interpretaci on, elegir un subconjunto al azar es equivalente a elegir
un n umero de cuatro bits al azar y esto, a su vez, es equivalente a lanzar cuatro veces
una moneda equilibrada, donde cara se interpreta como 1 o pertenece, y cruz como 0
o no pertenece. Una moneda equilibrada es el aparato m as elemental para simular la
elecci on al azar de secuencias binarias o subconjuntos.
Ejercicio 1.4: Modelo de un experimento aleatorio [1.1.1, 1.1.2, 1.1.3]
Una urna contiene 6 bolas numeradas de 1 a 6. Establecer un modelo probabilstico
para el experimento aleatorio que consiste en extraer tres bolas, sucesivamente, sin
reemplazamiento.
1. Cu al es la probabilidad de que el n umero de la primera bola sea menor que el
n umero de la segunda bola?
2. Cu al es la probabilidad de que el n umero de la segunda bola sea menor que el
n umero de la tercera bola?
3. Cu al es la probabilidad de que el n umero de la primera bola sea menor que el
de la segunda y que el de la segunda sea menor que el de la tercera?
Resolver estas mismas cuestiones en el caso general de una urna que contenga n bolas
numeradas de 1 a n.
Soluci on.
1. Consideremos como espacio muestral , el conjunto formado por las ternas (i
1
, i
2
, i
3
),
donde 1 i
1
, i
2
, i
3
6 son n umeros enteros distintos. El n umero i
j
lo interpretaremos
como el n umero que tiene la j- esima bola que se extrae. Puesto que las bolas se eligen
al azar, aceptamos que el modelo es uniforme y que todas las ternas son igualmente
probables. El n umero i
1
se puede elegir de 6 maneras distintas, una vez elegido i
1
, hay
5 maneras de elegir i
2
, ya que debe ser distinto a i
1
; elegidos i
1
e i
2
, hay 4 maneras de
elegir i
3
ya que debe ser distinto de los dos anteriores; as, el n umero de casos posi-
bles es 6 5 4 = 120. Para contar los casos favorables al suceso {i
1
<i
2
}, jaremos el
valor de i
2
= k, contaremos los casos y sumaremos en k. Supongamos i
2
= k, donde
k = 2, 3, . . . , 6, en estas condiciones hay 4(k 1) casos favorables, como se anali-
za en la gura 1.2. La gura muestra el recuento de ternas tales que i
2
= k, k > 1, e
k-1
<k
1
= k
4
Figura 1.2
i
1
<i
2
. El n umero de la segunda posici on s olo puede ser elegido de una manera: tiene
que ser k. Una vez elegido el segundo n umero, podemos elegir el primero de k 1
maneras, tantas como n umeros enteros positivos menores que k. Por ultimo, elegidos
el primero y el segundo, siempre podemos elegir el tercero entre los cuatro n umeros
que restan. En total hay (k 1) 1 4 = 4(k 1) elecciones posibles. El n umero de
casos favorables es igual a
6
k=2
4(k 1) = 60
y la probabilidad de que la primera bola tenga un n umero menor que la segunda es
P(i
1
 i
2
; vamos a
analizarlo, de ese an alisis se seguir a el m etodo mejor y m as general para tratar este
problema. Por cada caso favorable a que la primera bola tenga un n umero menor que
la segunda, hay un caso favorable a que la primera bola tenga un n umero mayor que la
segunda, basta cambiar el orden de los dos primeros n umeros de la terna. La aplicaci on
(i
1
, i
2
, i
3
) (i
2
, i
1
, i
3
)
es, evidentemente, biyectiva (primer m etodo para contar, 1.8.1). Se sigue que tantos
casos con i
1
<i
2
como casos con i
2
<i
1
, y su uni on es , luego ambos sucesos tienen
probabilidad 0.5.
2. Para responder a esta cuesti on podemos razonar como en la primera parte del punto
anterior, contando casos favorables. Sin embargo, preero aplicar un razonamiento
similar al expuesto en la ultima parte del punto anterior: la aplicaci on (i
1
, i
2
, i
3
)
(i
1
, i
3
, i
2
) tambi en es biyectiva, lo que justica que hay tantas ternas con i
2
i
3
. Por otra parte, la uni on de las ternas que cumplen i
2
i
3
es , luego la mitad de los casos cumplen i
2
<i
3
y P(i
2
<i
3
) = 0.5.
3. Ensayemos un razonamiento similar al anterior (basado en la simetra, otra de las
estrategias de P OLYA). Cada terna (i
1
, i
2
, i
3
) se puede clasicar atendiendo al orden en
que se presentan los n umeros. Puesto que hay 3! = 6 permutaciones de tres n umeros,
hay 6 clases. Por ejemplo, pongamos que la clase C
1,2,3
, est a formada por las ternas
tales que i
1
<i
2
<i
3
. De manera similar deniremos las clases
C
1,3,2
, C
2,1,3
, C
2,3,1
, C
3,1,2
, C
3,2,1
Cada terna pertenece a una y solamente una clase, luego las clases son disjuntas entre
s y su uni on es igual a . Adem as, todas las clases contienen el mismo n umero de ter-
nas, ya que todas est an en correspondencia biyectiva con C
1,2,3
. Por ejemplo, la clase
C
2,1,3
, formada por las ternas tales que i
2
<i
1
<i
3
, se puede poner en correspondencia
biyectiva con C
1,2,3
, mediante la aplicaci on
(i
1
, i
2
, i
3
)
f
(i
2
, i
1
, i
3
)
ya que si una terna pertenece a C
2,1,3
, pongamos (3, 2, 5) C
2,1,3
, su transformada
f (3, 2, 5) = (2, 3, 5) pertenece a C
1,2,3
y, recprocamente, toda terna de C
1,2,3
, tiene una
contraimagen por f en C
2,1,3
. Se sigue que todas las clases tienen el mismo n umero
de ternas y que ese n umero es la sexta parte del total. Inmediatamente obtenemos que
la probabilidad de que una terna elegida al azar pertenezca a cualquiera de esas clases
es 1/6. En particular, se tiene
P(i
1
<i
2
<i
3
) =
#(C
1,3,2
)
#()
=
1
6
Caso general. Los razonamientos que hemos empleado en las cuestiones 2 y 3 ante-
riores son exactamente aplicables cuando la urna contiene n bolas numeradas de 1 a 2.
Los resultados son id enticos, ya que no dependen del n umero de bolas, sino del n ume-
ro de permutaciones de dos o tres n umeros. Se tiene P(i
1
< i
2
) = P(i
2
< i
3
) = 0.5 y
P(i
1
<i
2
<i
3
) = 1/6.
A los amantes del C alculo, tambi en les ofrecemos una soluci on num erica. Puesto
que hay n bolas, el n umero de casos posibles es n(n1)(n2), como se sigue del se-
gundo m etodo para contar. Ahora, hallaremos los casos favorables. El primer n umero,
i
1
, no puede ser ni n ni n1, ya que sera imposible formar una terna con i
1
<i
2
<i
3
.
Supongamos que hemos elegido para i
1
el valor k, k = 1, 2, . . . , n2. Podemos elegir
el valor de i
2
entre k +1 y n 1. Supongamos que hemos elegido para i
2
un valor j,
donde k +1 j n 1. Bajo estas condiciones, podemos elegir i
3
entre j +1 y n,
ambos inclusive. En consecuencia, cuando i
1
= k e i
2
= j, hay n j elecciones posi-
bles para i
3
. Si sumamos n j para todas las posibles elecciones de k y j, obtendremos
el n umero de ternas favorables al suceso {i
1
<i
2
<i
3
}.
#{i
1
<i
2
<i
3
} =
n2
k=1
n1
j=k+1
(n j)
Ahora, puesto que
n1
j=k+1
(n j) = 1 +2 + + (n k 1)
=
(n k 1)(n k)
2
=
1
2
_
(n k)
2
(n k)
_
resulta
#{i
1
<i
2
<i
3
} =
1
2
n2
k=1
(n k)
2
1
2
n2
k=1
(n k)
pero
1
n2
k=1
(n k) = 2 + + (n 1) =
n(n 1)
2
1
y
2
n2
k=1
(n k)
2
= 2
2
+ + (n 1)
2
=
n(n 1)(2n 1)
6
1
Se sigue que el n umero de casos favorables es
n(n 1)(2n 1)
12

n(n 1)
4
=
n(n 1)(n 2)
6
1
Recu erdese que 1+2+ +n = n(n+1)/2.
2
Recu erdese que 1
2
+2
2
+ +n
2
= n(n+1)(2n+1)/6
y la probabilidad es
P(i
1
<i
2
<i
3
) =
n(n 1)(n 2)/6
n(n 1)(n 2)
=
1
6
Ejercicio 1.5: Modelo de un experimento aleatorio [1.1.1, 1.1.2, 1.1.3, 1.1.4]
Plantear un modelo para el experimento aleatorio que consiste en ordenar en la,
al azar, tres tarjetas numeradas de 1 a 3.
1. Cu al es la probabilidad de que las tarjetas 2 y 3 aparezcan antes que la 1 ?
2. Cu al es la probabilidad de que la tarjeta 1 no est e en la primera posici on?
3. Cu al es la probabilidad de que la tarjeta 1 no est e en la primera posici on ni la
tarjeta 2 en la segunda posici on?
4. Cu al es la probabilidad de que ninguna tarjeta est e en la posici on del n umero
que lleva escrito?
Soluci on.
Consideremos como espacio muestral el conjunto de las permutaciones de las
tarjetas 1 , 2 y 3 ; puesto que la permutaci on se hace al azar, aceptamos que el
modelo es uniforme y que todas tienen la misma probabilidad de ocurrir. Puesto que
hay 3! = 6 permutaciones, cada una tiene probabilidad 1/6.
1. Para que 2 y 3 est en antes que 1 tiene que estar 1 en la ultima posici on; desig-
nemos por C
1
a este suceso. Hay dos casos favorables a C
1
, luego P(C
1
) =2/6 =1/3.
2. Sea A
1
el suceso
A
1
= la tarjeta 1 est a en la primera posici on
Hay 2 casos favorables a A
1
, luego P(A
1
) = 2/6 = 1/3 y
P(la tarjeta 1 no est a en la primera posici on) = 1 P(A
1
) =
2
3
Observemos que la probabilidad de que 1 est e en la primera posici on es igual a la de
que est e en la ultima, esto es as porque cada caso favorable a A
1
se transforma en un
caso favorable a C
1
(y al rev es) sin m as que intercambiar las tarjetas que est an en la
primera y tercera posici on.
3. Con una notaci on semejante a la del apartado anterior, designemos por A
i
al suceso
la tarjeta i est e en la posici on i, entonces el suceso la tarjeta 1 no est a en la
primera posici on y la tarjeta 2 no est a en la segunda posici on es A
c
1
A
c
2
, su com-
plementario es A
1
A
2
y, por la f ormula de la probabilidad de la uni on, se tiene
P(A
1
A
2
) = P(A
1
) +P(A
2
) P(A
1
A
2
)
Del resultado del apartado anterior se sigue P(A
1
) =P(A
2
) = 1/3 y, de manera seme-
jante, se razona que A
1
A
2
tiene 1 caso favorable, por lo que se tiene P(A
1
A
2
) =
1/6. Basta sustituir, para obtener
P(A
1
A
2
) =
2
3
1
6
=
1
2
La probabilidad pedida es 11/2 = 1/2.
4. Con la notaci on del apartado anterior, el suceso ninguna tarjeta est e en la posici on
del n umero que lleva escrito es igual a
A
c
1
A
c
2
A
c
3
Su complementario es U
3
= A
1
A
2
A
3
(alguna de las tarjetas est a en su posici on).
Por la f ormula se la probabilidad de la uni on, se tiene:
P(U
3
) =
i
P(A
i
)

i
1
<i
2
P(A
i
1
A
i
2
) +

i
1
<i
2
<i
3
P(A
1
A
2
A
3
)
=
3
3
3
6
+
1
6
=
4
6
=
2
3
(1.1)
La probabilidad pedida es igual a 12/3 = 1/3.
Ejercicio 1.6: Dgitos aleatorios [1.2.1, 1.2.2, 1.2.3]
Resolver mediante un modelo din amico el siguiente problema: de una urna que
contiene bolas numeradas de 1 a 9, extraemos bolas al azar. Sea P
k
la probabilidad de
que el primer 7 aparezca en la k- esima extracci on.
1. Calcular P
k
, suponiendo que las bolas se devuelven a la urna despu es de cada
extracci on.
2. Calcular P
k
, suponiendo que las bolas no se devuelven a la urna despu es de cada
extracci on.
Soluci on.
1. El m etodo empleado en la soluci on es el mismo en ambos casos, la idea clave es la
interpretaci on din amica de la probabilidad de la intersecci on. Para empezar, sigamos
uno de los consejos de P OLYA y consideremos un caso m as sencillo, por ejemplo, k =
2. Ahora, para que el primer 7 aparezca en la segunda extracci on, el primer resultado
no debe ser 7 y el segundo s. Designemos por A
i
al suceso aparece 7 en la i- esima
extracci on; se tiene
el primer 7 aparece en la segunda extracci on = A
c
1
A
2
.
El suceso cuya probabilidad queremos hallar es una intersecci on. De acuerdo con el
c alculo din amico (apartado 2.3), se obtiene
P(el primer 7 aparece en la segunda extracci on) = P(A
c
1
)P(A
2
A
c
1
).
La probabilidad de que el primer n umero no sea 7 es 8/9.
P(A
c
1
) =
8
9
.
Puesto que las bolas se devuelven a la urna despu es de cada extracci on, la probabilidad
de que el segundo n umero sea 7, si el primero no lo fue, es igual a 1/9; es decir
P(A
2
A
c
1
) =
1
9
. As, obtenemos
P(el primer 7 aparece en la segunda extracci on) =
8
9
1
9
.
Un razonamiento similar resuelve el caso general, basta aplicar el M etodo 2 del libro
(p agina 54, f ormula 2.6), que generaliza el c alculo din amico de la probabilidad de la
intersecci on de dos sucesos.
Si el suceso cuya probabilidad queremos hallar es una intersecci on de k sucesos;
por ejemplo,
el primer 7 aparece en la k- esima extracci on = A
c
1
A
c
2
A
c
k1
A
k
,
se tiene
P(el primer 7 aparece en la k- esima extracci on) =
= P(A
c
1
)P(A
c
2
A
c
1
)P(A
c
3
A
c
1
A
c
2
) P(A
k
A
c
1
A
c
2
A
c
k1
). (1.2)
Es m as f acil interpretar la f ormula anterior que escribirla: la probabilidad de que el
primer 7 aparezca en la k- esima extracci on es igual a la probabilidad de que el primer
n umero no sea 7, P(A
c
1
), por la probabilidad de que el segundo n umero no sea 7,
supuesto que el primer n umero no fue 7, P(A
c
2
A
c
1
), por la probabilidad de el tercero
no sea 7, supuesto que ni el primero ni el segundo fueron 7
P(A
c
3
A
c
1
A
c
2
),
etc., por la probabilidad de que el k- esimo n umero sea 7, supuesto que ni el primero,
ni el segundo, . . . , ni el (k 1)- esimo, fueron 7
P(A
k
A
c
1
A
c
2
A
c
k1
).
En resumen, se tiene
8
9
8
9

8
9
. .
k1
1
9
=
_
8
9
_
k1
1
9
, para k = 1, 2, . . . . (1.3)
2. La soluci on din amica es, esencialmente, igual que la anterior. La f ormula 1.2 sigue
siendo cierta y s olo cambia el c alculo de las probabilidades condicionadas, ya que las
reglas del experimento son otras. En este experimento el rango de los valores posibles
de k se limita a los valores k = 1, 2, . . . , 9, ya que es seguro que 7 aparecere en alguna
de las nueve primeras extracciones.
Resolvamos primero algunos casos concretos. Si k = 1, la probabilidad es
P(el primer 7 aparece en la primera extracci on) =
1
9
ya que hay 9 casos posibles y uno favorables.
Si k = 3, la probabilidad es
P(el primer 7 aparece en la tercera extracci on) =
= P(A
c
1
)P(A
c
2
A
c
1
)P(A
3
A
c
1
A
c
2
) (1.4)
donde P(A
c
1
) = 8/9, P(A
c
2
A
c
1
) = 7/8 y P(A
3
A
c
1
A
c
2
) = 1/7, ya que, por ejem-
plo, P(A
c
2
A
c
1
) es igual a la probabilidad de no extraer el n umero 7 de una urna que
contiene una bola con el 7 y siete bolas con otros n umeros.
P(el primer 7 aparece en la tercera extracci on) =
8
9
7
8
1
7
=
1
9
De manera general, para cualquier k, entre 2 y 9, se tiene:
=
8
9
7
8

8 (k 2)
9 (k 2)
1
9 (k 1)
=
1
9
. para k = 2, 3, . . . , 9 (1.5)
Observamos que, cualquiera que sea k se cumple
1
9
, k = 1, 2, . . . , 9
Es decir, cuando las extracciones se hacen sin reemplazamiento, es tan probable que
salga el 7 en la primera extracci on como en cualquier otra. Este es un resultado que
merece la pena meditar, muchas personas lo rechazan, argumentando que debe ser
menos probable en la primera extracci on ya que hay m as bolas distintas de 7 en la urna,
razonamiento que yerra al considerar solamente la probabilidad de que la siguiente
bola sea 7 y no la probabilidad de que las primeras bolas no lo sean. Formalmente, si
X
k
es el resultado de la k- esima extracci on, tenemos
P(X
k
= 7) = P(X
1
= 7, . . . , X
k1
= 7)P(X
k
= 7
X
1
= 7, . . . , X
k1
= 7)
donde, es cierto que el factor
P(X
k
= 7
X
1
= 7, . . . , X
k1
= 7)
es creciente al crecer k, pero tambi en lo es que
P(X
1
= 7, . . . , X
k1
= 7)
decrece con al crecer k.
Ejercicio 1.7: Calculo con probabilidades condicionadas [1.2.1]
Parte A. Si el resultado del tercer lanzamiento ha sido 5, cu al es la probabilidad
de que sea mayor que los dos anteriores?
Parte B. Lanzamos un dado tres veces. Si el segundo resultado es mayor que el
primero, cu al es la probabilidad de que el tercero sea mayor que el primero?
Parte C. De una urna que contiene tres bolas rojas y cuatro azules se extraen tres
bolas. Si hay m as bolas rojas que azules entre las extradas, cu al es la probabilidad
de que haya tres bolas rojas?
Parte D. Lanzamos cinco veces una moneda que tiene probabilidad de cara igual a
p; si en total han salido tres caras, cu al es la probabilidad de que el primer resultado
de los cinco lanzamientos haya sido cara?
Un emisor enva un mensaje binario de longitud N bits a trav es de un canal binario
sim etrico con ruido cuya probabilidad de error al transmitir un bit es p; si en total
han ocurrido k errores, cu al es la probabilidad de que haya un error en el primer bit
enviado?
Parte E. Lanzamos dos dados equilibrados dos veces cada uno; si las sumas de los
resultados de cada dado son iguales, cu al es la probabilidad de que la suma com un
sea 7?
Soluci on.
Parte A. Qu e hay que hacer?, calcular una probabilidad condicionada. Tracemos
el plan; denamos los sucesos; escribamos la f ormula de la probabilidad condicionada
y calculemos las probabilidades que intervienen en dicha f ormula.
Para facilitar la escritura vamos a emplear una notaci on que anticipa el concepto
de variable aleatoria que estudiaremos en la pr oxima lecci on. Es una notaci on tan in-
tuitiva que no requiere m as explicaciones. Designemos por X
1
, X
2
y X
3
, los resultados
de los sucesivos lanzamientos del dado. Con esta notaci on, el suceso el resultado del
tercer lanzamiento ha sido mayor que el primero se representa por B = {X
3
> X
1
}
mientras que el suceso el resultado del tercer lanzamiento es mayor que el segundo
se representa por A = {X
3
> X
2
}. De manera semejante, el suceso el resultado del
tercer lanzamiento ha sido 5, se representa por {X
3
= 5}. Con esta notaci on, tenemos
que calcular
P(B
A) = P({X
3
>X
1
} {X
3
>X
2
}}
{X
3
= 5}).
De acuerdo con la denici on, esta probabilidad condicionada es igual a
P({X
3
>X
1
} {X
3
>X
2
}}
{X
3
= 5}) =
P({X
3
>X
1
} {X
3
>X
2
} {X
3
= 5})
P({X
3
= 5})
=
P(AB)
P(A)
.
Para calcular la probabilidad del suceso A, contamos casos: hay 666 = 216 resul-
tados distintos (casos posibles) de lanzar los tres dados; entre estos 216 casos posibles,
hay 6 6 = 36 casos en los que X
3
= 5 y tenemos
P(A) = P({X
3
= 5}) =
36
216
=
1
6
Ahora, los casos favorables a AB = {X
3
> X
1
} {X
2
> X
1
} {X
3
= 5} son todos
aquellos en los que X
1
y X
2
toman alguno de los valores 1, 2, 3 o 4, luego hay 44 =
16 casos favorables y se tiene
P(AB) = P({X
3
>X
1
} {X
2
>X
1
} {X
3
= 5}) =
16
216
=
2
27
Se sigue
P(B
A) =
2/27
1/6
=
4
9
Parte B. Qu e hay que hacer?, calcular una probabilidad condicionada. Tracemos
el plan; denamos los sucesos; escribamos la f ormula de la probabilidad condicionada
y calculemos las probabilidades que intervienen en dicha f ormula.
Para facilitar la escritura vamos a emplear una notaci on que anticipa el concepto
de variable aleatoria que estudiaremos en la pr oxima lecci on. Es una notaci on tan in-
tuitiva que no requiere m as explicaciones. Designemos por X
1
, X
2
y X
3
, los resultados
de los sucesivos lanzamientos del dado. Con esta notaci on, el suceso el resultado del
tercer lanzamiento ha sido mayor que el primero se representa por B = {X
3
> X
1
}
mientras que el suceso el resultado del segundo lanzamiento es mayor que el prime-
ro se representa por A = {X
2
> X
1
}. De manera semejante, el suceso el resultado
del tercer lanzamiento ha sido 5, se representa por {X
3
= 5}.
Tenemos que calcular
P(B
A) = P({X
3
>X
1
}}
{X
2
>X
1
}).
De acuerdo con la denici on, esta probabilidad condicionada es igual a
P({X
3
>X
1
}}
{X
2
>X
1
}) =
P({X
3
>X
1
} {X
2
>X
1
})
P({X
2
>X
1
})
=
P(AB)
P(A)
.
Para calcular la probabilidad del suceso A, contamos casos. Hay 66 = 36 resultados
distintos (casos posibles) de lanzar los dos dados. Entre estos 36 casos posibles, hay 6
empates, que son los favorables al suceso X
2
= X
1
. Los restantes 30 casos de dividen
en dos grupos sim etricos de 15 casos cada uno; 15 favorables a X
2
>X
1
y 15 favorables
X
1
>X
2
. As, tenemos
P(A) = P({X
2
>X
1
}) =
15
36
=
5
12
0.417
Contar los casos favorables al suceso B ={X
3
>X
1
} {X
2
>X
1
} exige un poco m as
de orden. Por el principio divide y vencer as, los clasicaremos seg un el valor de X
1
.
Por ejemplo, casos favorables a AB con X
1
= 1 hay 5 5 = 25; ya que el valor de
X
2
se puede elegir de cinco maneras y, una vez elegido el valor de X
2
, el de X
3
tambi en
se puede elegir de cinco maneras. La tabla siguiente nos muestra el recuento de casos
favorables a AB, clasicados seg un el valor de X
1
.
Casos favorables al suceso AB
Casos con X
1
= 1 55 = 25 casos
Casos con X
1
= 2 44 = 16 casos
Casos con X
1
= 3 33 = 9 casos
Casos con X
1
= 4 22 = 4 casos
Casos con X
1
= 5 11 = 1 casos
Casos con X
1
= 6 00 = 0 casos
Total de casos 55 casos
Por otra parte, hay 6 6 6 = 216 casos posibles de lanzar los tres dados. As, tene-
mos P(AB) = 55/216. La probabilidad condicionada es
P(X
3
>X
1
X
2
>X
1
) =
55
216
5
12
0.611
Interpretemos el resultado. Sin disponer de m as evidencia que conocer que los dados
son equilibrados, valoramos en 0.417 la probabilidad de que el tercer resultado sea
mayor que el primero. La evidencia de que el segundo resultado ha sido mayor que el
primero, hace m as verosmil que el primer resultado sea peque no y, en consecuencia,
hace m as probable que el tercer resultado sea mayor que el primero. Con la evidencia
adicional, valoramos en 0.611 la probabilidad de que el tercer resultado sea mayor que
el primero. Esta conclusi on resulta chocante a muchas personas que, en esencia, razo-
nan as: como el resultado del tercer lanzamiento es independiente del resultado del
segundo, la probabilidad de B ser a igual que la de {X
3
>X
1
}. Este razonamiento no
es correcto. Saber que el segundo resultado ha sido mayor que el primero, proporciona
informaci on sobre el primer resultado y modica la probabilidad de que el tercero sea
mayor que el primero.
Parte C. Designemos por N el n umero de bolas rojas que hay entre las tres elegi-
das. Con esta notaci on, se tiene:
{N 2} = hay m as bolas rojas que azules (1.6)
{N = 3} = hay tres bolas rojas (1.7)
La probabilidad que debemos calcular es condicionada. Sabemos que hay m as bolas
rojas que azules y queremos saber la probabilidad de que sean tres las bolas rojas.
P(N = 3
N 2) =
P({N = 3} {N 2})
P(N 2)
(1.8)
Calcularemos P({N = 3} {N 2}) y P(N 2).
Consideremos que las tres bolas se eligen simult aneamente. Hay tantos casos po-
sibles como elecciones distintas de un subconjunto de tres bolas del conjunto de siete
bolas que hay en la urna; esto es, hay (
7
3
) casos posibles. Hay (
3
3
) casos favorables
a N = 3, tantos como maneras de elegir tres bolas rojas entre las tres que hay. As,
resulta
P(N = 3) =
_
3
3
_
_
7
3
_.
Hay (
3
2
)(
4
1
) casos favorables a N = 2, tantos como maneras de elegir dos bolas rojas
entre las tres que hay y una bola azul entre las cuatro que hay,
P(N 2) =
_
3
3
_
+
_
3
2
__
4
1
_
_
7
3
_ .
Si reemplazamos en 1.8, resulta
P(N = 3
N 2) =
_
3
3
_
_
3
3
_
+
_
3
2
__
4
1
_ =
1
13
.
Parte D. Designemos por B al suceso han salido tres caras y por A al suceso el
primer lanzamiento ha sido cara, debemos calcular P(A
B), para ello calcularemos

P(B) y P(AB).
La probabilidad de que aparezcan tres caras al lanzar cinco veces una moneda que
tiene probabilidad p de cara en cada lanzamiento es (
5
3
)p
3
(1 p)
2
(ejemplo 1.16,
distribuci on binomial), luego
P(B) =
_
5
3
_
p
3
(1 p)
2
Por otra parte, AB es el suceso: el primer lanzamiento es cara y hay tres caras en
total, lo que equivale a decir que el primer lanzamiento es cara y entre los cuatro ulti-
mos lanzamientos hay dos caras y dos cruces. La probabilidad de que esto ocurra es el
producto de la probabilidad de que el primer lanzamiento sea cara (p) por la probabi-
lidad de que en cuatro lanzamientos tengamos dos caras y dos cruces ((
4
2
)p
2
(1p)
2
);
as, resulta
P(AB) = p
_
4
2
_
p
2
(1 p)
2
=
_
4
2
_
p
3
(1 p)
2
Se sigue
P(A
B) =
_
4
2
_
p
3
(1 p)
2
_
5
3
_
p
3
(1 p)
2
=
3
5
Observemos la interpretaci on de este resultado: si sabemos que entre los cinco lanza-
mientos han salido tres caras, la probabilidad de que un lanzamiento concreto sea cara
es igual para todos los lanzamientos y es igual al n umero de caras (casos favorables)
entre el n umero de lanzamientos (casos posibles).
La segunda parte del enunciado nos muestra una aplicaci on de este modelo; ima-
ginemos un duende que vive en el canal de comunicaciones, cuando un bit es enviado
a trav es del canal, el duende lanza una moneda que tiene probabilidad de cara igual
a p, si sale cara hay un error en la transmisi on bit; si sale cruz, no hay error. Aho-
ra, el problema enunciado en t erminos de errores en la transmisi on es completamente
equivalente al problema en t erminos de caras y cruces. Si en total hay k errores, la pro-
babilidad de que haya un error en un bit determinado es igual a k/N, cociente de los
casos favorables (n umero de errores) entre los posibles (n umero de bits transmitidos).
Parte E. Designemos por X
1
y X
2
los resultados de lanzar el primer dado y por
Y
1
, Y
2
los del segundo, sean S
1
y S
2
las sumas de los resultados de lanzar dos veces el
primero y el segundo dado, respectivamente; S
1
y S
2
son independientes y se tiene
P(S
1
= S
2
) =
12
i=2
P(X
1
+X
2
=Y
1
+Y
2
= i)
=
12
i=2
P(X
1
+X
2
= i)P(Y
1
+Y
2
= i)
Por simetra, para cada i se cumple P(X
1
+X
2
= i) = P(Y
1
+Y
2
= i) y mediante un
un simple recuento de casos encontramos
i P(S
1
= i) i P(S
1
= i) i P(S
1
= i)
2 1/36 6 5/36 10 3/36
3 2/36 7 6/36 11 2/36
4 3/36 8 5/36 12 1/36
5 4/36 9 4/36
o bien
P(S
1
= i) =
_
_
_
i1
36
si 2 i 7
13i
36
si 8 i 12
Luego P(S
1
= S
2
) = 146/36
2
. Ahora, si las sumas de resultados son iguales, la pro-
babilidad de que valgan 7 es
P(S
1
= S
2
= 7
S
1
= S
2
) =
P(S
1
= S
2
= 7)
P(S
1
= S
2
)
=
6
2
146
Si S
1
= S
2
, la probabilidad de que ambas sumas sean iguales a i es directamente pro-
porcional al producto P(S
1
= i)P(S
2
= i), por lo que lo m as probable es que ambas
sumas valgan 7.
Ejercicio 1.8: Modelo dinamico [1.2.1, 1.2.2, 1.2.3]
Lanzamos un dado y, si el resultado es menor o igual que 3, lo volvemos a lanzar;
cu al es la probabilidad de que la suma de las puntuaciones obtenidas sea mayor que
4?
Soluci on.
Representemos el arbol del experimento; ene el primer nivel hay seis v ertices o
nodos, una por cada uno de los resultados posibles de lanzar el dado por primera vez.
Cada rama que une el origen con uno de estos nodos est a marcada con 1/6, que es la
probabilidad de llegar al nodo a partir del origen.
1
6
1
6
1
6
1
6
1
6
1
6
Ahora, sea A = la suma de las puntuaciones es mayor que 4. De cada uno de los
nodos del primer nivel parten dos ramas. Una lleva a A, indica que A ha ocurrido,
y la otra lleva a A
c
e indica que A no ha ocurrido. Ahora, si el primer resultado es
1
6
A
3
6
A
c
3
6
1
6
A
4
6
A
c
2
6
1
6
A
5
6
A
c
1
6
1
6
A
0
A
c
1
1
6
A
1
A
c
0
1
6
A
1
A
c
0
, para que A ocurra hay que obtener , o en la nueva tirada y se tiene
P(A
) = 3/6. De igual manera obtenemos:

P(A
) =
4
6
, P(A
) =
5
6
Por otra parte, si el segundo resultado es 4, 5 o 6, no se vuelve a lanzar el dado y se
tienen:
P(A
) = 0, P(A
) = 1, P(A
) = 1
Por la f ormula de la probabilidad total, resulta:
P(A) =
1
6
3
6
+
1
6
4
6
+
1
6
5
6
+
1
6
0 +
1
6
1 +
1
6
1
luego P(A) = 2/3.
Ejercicio 1.9: Modelos dinamicos [1.2.1, 1.2.2]
Parte A. Lanzamos un dado y, si el resultado es menor o igual que 3, lo lanzamos
otra vez; cu al es la probabilidad de que la suma de las puntuaciones obtenidas sea
menor que 6?
Parte B. Una urna contiene a bolas azules y b bolas rojas, otra urna contiene c
bolas azules y d bolas rojas. Elegimos una bola al azar de la primera urna y, sin mirar
su color, la pasamos a la segunda; a continuaci on sacamos una bola al azar de la
segunda urna; cu al es la probabilidad de que sea azul?
Soluci on
Parte A. Representemos el arbol del experimento, el primer nivel tiene seis v erti-
ces o nodos, una por cada uno de los resultados posibles de lanzar el dado por primera
vez. Cada rama que une el origen con uno de estos nodos est a marcada con 1/6, que
1
6
1
6
1
6
1
6
1
6
1
6
es la probabilidad de llegar al nodo a partir del origen.
Ahora, sea A =la suma de las puntuaciones es menor o igual que 5. De cada uno
de los nodos del primer nivel parten dos ramas. Una lleva a A, indica que A ha ocurri-
do, y la otra lleva a A
c
e indica que A no ha ocurrido. Ahora, si el primer resultado es
1
6
A
4
6
A
c
2
6
1
6
A
3
6
A
c
3
6
1
6
A
2
6
A
c
4
6
1
6
A
1
A
c
0
1
6
A
1
A
c
0
1
6
A
0
A
c
1
, para que A ocurra hay que obtener , , o en la nueva tirada y se tiene
P(A
) = 4/6. De igual manera obtenemos:

P(A
) =
3
6
, P(A
) =
2
6
Por otra parte, si el segundo resultado es 4, 5 o 6, no se vuelve a lanzar el dado y se
tienen:
P(A
) = 1, P(A
) = 1, P(A
) = 0
Por la f ormula de la probabilidad total, resulta:
P(A) =
1
6
4
6
+
1
6
3
6
+
1
6
2
6
+
1
6
1 +
1
6
1 +
1
6
0
luego P(A) = 7/12.
Parte B. Representemos el arbol del experimento, el primer nivel tiene dos v ertices
o nodos, una por cada uno de los resultados posibles de extraer la bola de la primera
urna que puede ser azul o roja. Cada rama que une el origen con uno de estos nodos
est a marcada con la probabilidad de llegar al nodo a partir del origen. Ahora, sea
A = la bola extrada se la segunda urna es azul, de cada uno de los nodos del primer
nivel parten dos ramas, una lleva a A, lo que indica que A ha ocurrido, y la otra lleva a
A
c
e indica que A no ha ocurrido. Por la f ormula de la probabilidad total, resulta:
Azul
a
a+b
A
c+1
c+d+1
A
c
d
c+d+1
Roja
b
a+b
A
c
c+d+1
A
c
d+1
c+d+1
P(A) =
a
a +b
c +1
c +d +1
+
b
a +b
c
c +d +1
=
ac +bc +a
(a +b)(c +d +1)
Ejercicio 1.10: F ormula de Bayes [1.2.1, 1.2.2, 1.2.3]
Parte A. Consideremos tres sucesos A
1
, A
2
y A
3
, disjuntos y exhaustivos (soon
disjuntos y su uni on es ), tienen probabilidades 0.25, 0.25 y 0.5, respectivamente.
Un sistema de decisi on autom atica act ua conforme a las reglas siguientes:
1. Si ocurre A
1
, el sistema, con probabilidad 0.1, toma la decisi on D
1
y, con pro-
babilidad 0.9, la decisi on D
2
.
2. Si ocurre A
2
2
y, con pro-
3
.
3. Si ocurre A
3
3
y, con pro-
1
.
Se pregunta:
1. Cu al es la probabilidad de que el sistema tome la decisi on D
1
?
2. Si el sistema ha tomado la decisi on D
1
, cu al es la probabilidad de que haya
ocurrido A
1
?
3. Si el sistema no ha tomado la decisi on D
1
, cu al es la probabilidad de que no
haya ocurrido A
1
?
1
, cu al es la probabilidad de que haya
tomado la decisi on D
2
?
Parte B. Dos monedas tienen probabilidades p
1
y p
2
, respectivamente, de que
al lanzarlas aparezca cara. Elegimos una moneda por sorteo; con probabilidad r se
escoge la primera y con probabilidad 1 r la segunda. La moneda elegida se lanza
repetidas veces hasta que aparece la primera cara. Si la primera cara ha aparecido en
el lanzamiento k- esimo, cu al es la probabilidad de que estemos lanzando la primera
moneda?
Soluci on.
Parte A. Las condiciones del modelo se resumen en el diagrama de arbol de la
gura 1.3, que representa los dos niveles o etapas en que transcurre el proceso de
decisi on. Primero, el Azar decide cu al de los sucesos A
1
, A
2
, o A
3
ocurre. Despu es, el
sistema toma una decisi on en la que inuye de nuevo el Azar y la clase de suceso que
se ha observado. La caja con lnea discontinua que rodea los dos nodos que terminan
en D
1
se nala una situaci on de de incertidumbre, ya que la informaci on el sistema ha
tomado la decisi on D
1
no permite saber con certeza en qu e nodo nos encontramos.
En estas condiciones, tiene pleno sentido preguntarse por la probabilidad de que nos
encontremos en uno o en otro nodos, posterior al hecho de que se haya tomado la
decisi on D
1
.
R
A
1
0.25
D
1
0.1
D
2
0.9
A
2
0.25
D
2
0.1
D
3
0.9
A
3
0.50
D
3
0.1
D
1
0.9
Figura 1.3
1. Calcular la probabilidad de que es sistema tome la decisi on D
1
es evaluar la proba-
bilidad total de transitar por alguno de los caminos que conducen a uno de los nodos
etiquetados como D
1
, ver gura 1.4. El c alculo es autom atico, por la f ormula de la
R
A
1
0.25
D
1
0.1
D
2
0.9
A
2
0.25
D
2
0.1
D
3
0.9
A
3
0.50
D
3
0.1
D
1
0.9
Figura 1.4
probabilidad total, se tiene
P(D
1
) = P(A
1
)P(D
1
A
1
) +P(A
2
)P(D
1
A
2
) +P(A
3
)P(D
1
A
3
)
= 0.25 0.1 +0.5 0.9 = 0.475
2. La probabilidad P(A
1

D
1
) es una probabilidad posterior. De manera informal,
podemos decir que mide la aportaci on relativa de la probabilidad del camino R
A
1
D
1
dentro de la probabilidad de llegar a un nodo D
1
. La f ormula de BAYES hace
autom atica esa evaluaci on.
P(A
1
D
1
) =
P(A
1
)P(D
1
A
1
)
P(D
1
)
=
0.25 0.1
0.475
0.053
1
, signica que nos encontramos en alguno
de los nodos incluidos en la caja de lnea discontinua del diagrama de la gura 1.5.
Para evaluar P(A
c
1
D
c
1
), el primer paso es calcular P(D
c
1
), esto es inmediato, ya que
la probabilidad de su complementario se calcul o en el primer apartado, as resulta
P(D
c
1
) = 1 P(D
1
) = 0.525
Ahora, puesto que A
c
1
= A
2
A
3
y los sucesos A
2
y A
3
son disjuntos, resulta
P(A
c
1
D
c
1
) = P(A
2
D
c
1
) +P(A
3
D
c
1
)
R
A
1
0.25
D
1
0.1
D
2
0.9
A
2
0.25
D
2
0.1
D
3
0.9
A
3
0.50
D
3
0.1
D
1
0.9
Figura 1.5
La expresi on anterior sugiere la mejor manera de calcular la probabilidad pedida.
P(A
c
1
D
c
1
) =
P(A
2
)P(D
c
1

A
2
) +P(A
3
)P(D
c
1

A
3
)
P(D
c
1
)
=
P(A
2
) 1 +P(A
3
)P(D
3
A
3
)
P(D
c
1
)
=
0.25 +0.5 0.1
0.525
0.571
es decir P(A
c
1
D
c
1
) 0.571.
4. Ahora, puesto que D
2
D
c
1
=D
2
, se sigue
P(D
2
D
c
1
) =
P(D
2
)
P(D
c
1
)
y, puesto que P(D
2
) = 0.25, resulta P(D
2
D
c
1
) = 0.25/0.525 0.476.
Parte B. Designemos por M
1
al suceso la primera moneda es elegida, por las
condiciones del problema P(M
1
) = r, su complementario M
2
= M
c
1
es el suceso la
segunda moneda es elegida y su probabilidad anterior de ocurrir es 1 r. Ahora,
designemos por A
k
el suceso la primera cara ocurre en el k- esimo lanzamiento, para
que A
k
ocurra tienen que aparecer k 1 cruces seguidas y, por ultimo, una cara. Si
lanzamos la primera moneda, la probabilidad de que A
k
ocurra es
P(A
k
M
1
) = (1 p
1
)(1 p
1
) (1 p
1
)
. .
k 1 veces
p
1
= (1 p
1
)
k1
p
1
mientras que si lanzamos la segunda moneda, la probabilidad es
P(A
k
M
2
) = (1 p
2
)(1 p
2
) (1 p
2
)
. .
k 1 veces
p
2
= (1 p
2
)
k1
p
2
Por la probabilidad total, tenemos que la probabilidad de que A
k
ocurra es
P(A
k
) = P(A
k
M
1
)P(M
1
) +P(A
k
M
2
)P(M
2
)
= r(1 p
1
)
k1
p
1
+ (1 r)(1 p
2
)
k1
p
2
Luego (BAYES) se tiene
P(M
1
A
k
) =
P(A
k
M
1
)P(M
1
)
P(A
k
)
=
r(1 p
1
)
k1
p
1
r(1 p
1
)
k1
p
1
+ (1 r)(1 p
2
)
k1
p
2
Ejercicio 1.11: Independencia de sucesos [1.2.4]
Parte A. De una urna que contiene 6 bolas numeradas de 1 a 6. extraemos cuatro
bolas, sucesivamente, sin reemplazamiento. Sea A
i, j
el suceso el n umero de la bola
i- esima es menor que el n umero de la bola j- esima.
1. Estudiar si los sucesos A
1,2
y A
2,3
son independientes.
2. Estudiar si los sucesos A
1,2
y A
3,4
son independientes.
Resolver el caso general, en el que suponemos que la urna contiene n bolas numeradas
de 1 a n.
Parte B. Lanzamos dos veces una moneda equilibrada; sea A el suceso sale cara
en el primer lanzamiento, B el suceso sale cara en el segundo lanzamiento y C el
suceso aparece una cara y una cruz. Estudiar si A, B y C son independientes dos a
dos y si son independientes.
Soluci on.
Parte A.
1. Se comprueba (y la simetra lo sugieres) que P(A
1,2
) = 1/2 y P(A
2,3
) = 1/2. Por
otra parte el suceso A
1,2
A
2,3
es la primera bola tiene un n umero menor que la
segunda y la segunda menor que la tercera, calcular la probabilidad de este suceso es
simple y resulta P(A
1,2
A
2,3
) = 1/6; ahora, se tiene
P(A
1,2
A
2,3
) =
1
6
=
1
4
= P(A
1,2
)P(A
2,3
)
y los sucesos no son independientes.
2. Otra vez, mediante un recuento se sigue P(A
1,2
) = P(A
3,4
) = 1/2. Para calcular la
probabilidad de la intersecci on P(A
1,2
A
3,4
) emplearemos el siguiente razonamien-
to: pongamos que X
i
es el n umero de la bola extrada en i- esimo lugar, i = 1, 2, 3,
4. Una vez extradas las bolas, sus cuatro valores, X
1
, X
2
, X
3
, X
4
, pueden ser ordena-
dos de menor a mayor. Hay 4! = 24 ordenaciones posibles y, por simetra, todas son
igualmente probables, pues contienen el mismo n umero de casos posibles, ya que de
cualquier caso favorable a una ordenaci on, cambiando los subndices convenientemen-
te, obtenemos un caso favorable a cualquier otra ordenaci on. Hay seis ordenaciones
favorables al suceso A
1,2
A
3,4
:
X
1
<X
2
<X
3
<X
4
X
1
<X
3
<X
2
<X
4
X
1
<X
3
<X
4
<X
2
X
3
<X
4
<X
1
<X
2
X
3
<X
1
<X
4
<X
2
X
3
<X
1
<X
2
<X
4
(1.9)
Por ello, P(A
1,2
A
3,4
) = 6/4! = 1/4 y se verica
P(A
1,2
A
3,4
) =
1
4
= P(A
1,2
)P(A
3,4
)
por lo que los sucesos A
1,2
y A
3,4
son independientes.
El razonamiento anterior resuelve tambi en el caso general, tanto si hay 6 bolas
como si hay n, n 4, bolas, las seis ordenaciones de 1.9 son igualmente probables y
se siguen id enticas conclusiones.
Parte B. Sin dicultad obtenemos
P(A) = P(B) = P(C) =
1
2
y
P(AB) = P(BC) = P(AC) =
1
4
Sin embargo, se tiene P(ABC) = 0 = 1/8, luego los sucesos A, B y C son inde-
pendientes dos a dos pero no son independientes.
Ejercicio 1.12. Calculo con sucesos independientes [1.2.4]
La gura 1.6 muestra el diagrama de un circuito formado por cuatro conmutadores
dispuestos en una serie con un subcircuito intermedio de dos en paralelo. Los conmu-
tadores pueden estar abiertos o cerrados, si est an cerrados, puede pasar la corriente,
mientras que si est an abiertos, no puede pasar. Supongamos que cada conmutador
est a cerrado con probabilidad p, con independencia del estado de los restantes.
1. Cu al es la probabilidad de que la corriente pueda pasar entre A y D?
2. Si la corriente puede pasar entre entre B y C, cu al es la probabilidad de que
pueda pasar entre A y D?.
3. Si la corriente puede pasar entre entre A y C, cu al es la probabilidad de que el
conmutador c
2
est e cerrado?.
A
c
1
B
c
2
c
3
C
c
4
D
Figura 1.6
Soluci on.
Designemos por {A D} al suceso la corriente puede pasar entre A y D, de
igual manera denimos los sucesos {A B}, {B C} y {C D}. Designemos por
C
i
al suceso el conmutador c
i
est a cerrado.
1. Para que la corriente pueda pasar entre A y D tiene que poder pasar entre A y B, y
entre B y C, y entre C y D. Con la notaci on que hemos establecido, se cumple
{A D} ={A B} {B C} {C D}
y, puesto que cada conmutador funciona independientemente de los restantes, los tres
sucesos {A B}, {B C} y {C D} son independientes y se cumple
P(A D) = P(A B)P(B C)P(C D)
Ahora, {A B} ={c
1
est a cerrado} =C
1
, luego P(A B) = p. De manera similar,
se tiene P(C D) = p. Por su parte, {B C} =C
2
C
3
, ya que para que la corriente
pueda pasar entre B y C tiene que estar cerrado alguno de los conmutadores c
2
, c
3
.
Para calcular la probabilidad de {B C} hallaremos la de su complementario.
P((C
2
C
3
)
c
) = P(C
c
2
C
c
3
) = P(C
c
2
)P(C
c
3
) = (1 p)
2
Se sigue P(C
2
C
3
) = 1 (1 p)
2
= p(2 p) y P(A D) = p
3
(2 p).
2. Para calcular P(AD
BC), necesitamos la probabilidad P(BC) = p(2p)

y la probabilidad de la intersecci on {A D}{B C}, pero {A D} {B C},
luego
{A D} {B C} ={A D}
y la probabilidad de la intersecci on es p
3
(2 p). Se sigue
P(A D
B C) =
p
3
(2 p)
p(2 p)
= p
2
3. Para calcular P(C
2
A C), necesitamos conocer

P(A C) = P(A B)P(B C) = p
2
(2 p)
y la probabilidad de la intersecci on
C
2
{A C} =C
2
C
1
(C
2
C
3
) =C
2
C
1
Se sigue P(C
2
{A C}) = p
2
y
P(C
2
A C) =
p
2
p
2
(2 p)
=
1
2 p
Ejercicio 1.13: Calculo con sucesos independientes [1.2.2, 1.2.4]
Parte A. Lanzamos tres veces una moneda que tiene probabilidad p de cara; si
sabemos que ha aparecido al menos una cara, cu al es la probabilidad de que hayan
aparecido dos?
Parte B. Si lanzamos dos veces una moneda que tiene probabilidad x de cara y
luego otras dos veces, cu al es la probabilidad P(x) de que aparezcan tantas caras en
la primera serie de lanzamientos como en la segunda? Representar gr acamente P(x).
Cu al es el valor de x que hace mnima la probabilidad P(x)?
Parte C. Lanza n veces una moneda que tiene probabilidad p de cara, si sabemos
que han aparecido al menos k caras, cu al es la probabilidad de que hayan aparecido
k +1?
Soluci on.
Parte A. Designemos por A
i
al suceso aparecen i caras, el suceso aparece al
menos una cara es igual a A
1
A
2
A
3
; la probabilidad que queremos calcular es
P(A
2
A
1
A
2
A
3
) y, puesto que A
1
, A
2
y A
3
son disjuntos, se tiene
P(A
2
A
1
A
2
A
3
) =
P(A
2
(A
1
A
2
A
3
))
P(A
1
A
2
A
3
)
=
P(A
2
)
P(A
1
) +P(A
2
) +P(A
3
)
Ahora bien, puesto que P(A
i
) = (
3
i
)p
i
(1 p)
3i
, resulta
P(A
2
A
1
A
2
A
3
) =
(
3
2
)p(1 p)
(
3
1
)(1 p)
2
+ (
3
2
)p(1 p) + (
3
3
)p
2
Parte B. Que aparezca el mismo n umero de caras en ambas series de lanzamientos
signica que aparecen dos caras, o una, o ninguna cara en ambas series. Por ejemplo,
la probabilidad de que aparezcan dos caras en ambas series de lanzamientos es
_
2
2
_
x
2
_
2
2
_
x
2
el producto de la probabilidad de que aparezcan dos caras en la primera serie por la
probabilidad de que aparezcan dos caras en la segunda, ya que las series son indepen-
dientes. La probabilidad pedida es
P(x) =
__
2
0
_
x
2
_
2
+
__
2
1
_
x(1 x)
_
2
+
__
2
0
_
(1 x)
2
_
2
= x
4
+4x
2
(1 x)
2
+ (1 x)
4
La funci on P cumple P(0) = P(1) = 1 y
P
(x) = 4x
3
+8x(1 x)
2
8x
2
(1 x) 4(1 x)
3
= 4
_
x
3
(1 x)
3
2x(1 x)(2x 1)
_
= 4(2x 1)
_
x
2
+x(1 x) + (1 x)
2
2x(1 x)
_
= 4(2x 1)
_
x
2
x(1 x) + (1 x)
2
_
Ahora, siempre se cumple x
2
+y
2
2xy (basta razonar que (x y)
2
0); puesto que
x(1 x) 0, se tiene:
x
2
+ (1 x)
2
2x(1 x) x(1 x)
En consecuencia, el signo de P
depende del factor 2x1. Si 0 <x <1/2, P
(x) <0 y
P decrece; si 1/2 <x <1, P
(x) >0 y P crece. En consecuencia, P tiene dos m aximos

absolutos en x = 0 y x = 1 con valor m aximo igual a 1, y un mnimo absoluto en
x = 1/2. La gr aca de la funci on P(x) aparece representada en la gura 1.7.
Parte C. Designemos por X designa al n umero de caras que aparecen al lanzar
la moneda, X es una variable aleatoria que nos permite emplear una notaci on muy
simple: el ejercicio trata de calcular la probabilidad condicionada P(X = k +1
X
k). Sin dicultad, se tiene
P(X = k +1
X k) =
P({X = k +1} {X k})
P(X k)
=
P(X = k +1)
P(X k)
y resulta
P(X = k +1
X k) =
(
n
k+1
)p(1 p)
nk1
nk
i=0
(
n
k+i
)p
i
(1 p)
nki
0
1
0 1
P(x)
0.5
Figura 1.7
Ejercicio 1.14: Variables aleatorias [1.3, 1.3.1]
Una urna contiene 3 bolas azules y 3 rojas. Extraemos repetidas bolas sin devol-
verlas a la urna, hasta que aparece una bola roja. Sea X el n umero de bolas que hemos
extrado. Hallar la funci on de probabilidad de X. Calcular E{X}. Si A es el suceso
A = {X > 1}, calcular P(X = k

A), comparar este resultado con la propiedad de

falta de memoria de la distribuci on geom etrica, descrita en el apartado 1.4.3.
Soluci on.
La variable X puede tomar los valores 1, 2, 3 o 4. La probabilidad de cada uno de
esos valores se calcula sin dicultad.
P(X = 1) =
3
6
= 0.50 P(X = 2) =
3
6
3
5
= 0.30 (1.10)
P(X = 3) =
3
6
2
5
3
4
= 0.15 P(X = 4) =
3
6
2
5
1
4
3
3
= 0.05 (1.11)
La tabla 1.3 muestra la funci on de probabilidad de la variable X. A partir de la funci on
x 1 2 3 4
p(x) 0.50 0.30 0.15 0.05
Tabla 1.3
de probabilidad, calculamos la esperanza
E{X} = 0.50 1 +0.30 2 +0.15 3 +0.05 4 = 1.75
y la funci on generatriz
G(s) = 0.5s +0.3s
2
+0.15s
3
+0.05s
4
Tambi en, de la tabla de la funci on de probabilidad, se sigue
P(A) = P(X = 2) +P(X = 3) +P(X = 4) = 0.50
La tabla 1.4 muestra la funci on de probabilidad de la variable X | A, cuyas probabili-
dades se calculan mediante la f ormula:
P(X = k
A) = P({X = k} A)/P(A)
Observamos que esta variable no tiene la propiedad de la distribuci on geom etrica,
k 1 2 3 4
p(k | A) 0 0.60 0.30 0.10
Tabla 1.4
sino que tiene memoria y, por ejemplo, si X > 1, es m as probable que la pr oxima
bola sea roja que cuando comienzan las extracciones.
Ejercicio 1.15: Variables aleatorias [1.3, 1.3.1, 1.3.2, 1.3.3, 1.3.5]
De una urna que contiene tres bolas rojas y tres bolas azules, extraemos bolas suce-
sivamente, sin devolverlas a la urna, hasta haber extrado dos bolas rojas; designemos
por X el n umero de bolas extradas (por ejemplo, si la primera es roja, la segunda y
tercera azules y la cuarta roja, entonces X = 4); hallar la funci on de probabilidad de
X y calcular E{X},
2
X
y H(X).
Soluci on.
La variable X puede tomar los valores 2, 3, 4 o 5. Para calcular las probabilidades
de cada valor observamos que hay distintas ordenaciones de bolas que son favorables a
cada suceso, y que todas las ordenaciones tienen la misma probabilidad. Por ejemplo,
favorables a X = 4 hay tres ordenaciones que se muestran en la gura 1.8.
Figura 1.8
Cada una de estas ordenaciones tiene una probabilidad igual a
3
6
2
5
3
4
2
3
= 0.1
ya que todos sus productos tienen los mismos factores, aunque pueden estar ordena-
dos de distinta manera. Como consecuencia, se tiene P(X = 4) = 3 0.1 = 0.3. Esta
x 2 3 4 5
p(x) 0.20 0.30 0.30 0.20
Tabla 1.5
observaci on ser a crucial para resolver el caso general. Mediante c alculos similares,
obtenemos la tabla 1.5 de la funci on de probabilidad de X. El valor esperado de X es
igual a
E{X} = 0.2 2 +0.3 3 +0.3 4 +0.2 5 = 3.5
y la entropa es
H(X) =0.2log
2
0.2 0.3log
2
0.3 0.3log
2
0.3 0.2log
2
0.2 1.971
Como hemos comentado, la misma observaci on que hemos hecho para calcular P(X =
4) nos dar a la clave para calcular P(X
k
(m, n) = r). Para que la k- esima bola roja
aparezca tras extraer la r- esima bola, la r- esima bola tiene que ser roja y las r 1
primeras bolas tienen que estar compuestas de k 1 bolas rojas y r k bolas azules.
Por ejemplo, una ordenaci on que tiene esa propiedad es la que tiene azules las r k
primeras bolas y rojas las restantes.

. .
rk

. .
k1
La probabilidad de esta ordenaci on es:
m
n +m
m1
n +m1

mr +k +1
n +mr +k +1
. .
r k bolas azules
n
n +mr +k
n 1
n +mr +k 1

n k +1
n +mr +1
. .
k bolas rojas
Expresi on que se simplica:
m(m1) (mr +k +1)n(n 1) (n k +1)
(n +m)(n +m1) (n +mr +1)
=
m!
(mr+k)!
n!
(nk)!
(n+m)!
(n+mr)!
(1.12)
=
(
n+mr
nk
)
(
n+m
n
)
(1.13)
Cualquier otra ordenaci on de r k bolas azules y k bolas rojas tiene la misma probabi-
lidad de ocurrir y, puesto que hay (
r1
k1
) ordenaciones con la ultima bola es roja (tantas
como maneras de elegir entre los r 1 primeras posiciones, k 1 posiciones para que
en ellas aparezca una bola roja), resulta que la probabilidad P(X
k
(m, n) = r) es igual
a:
P(X
k
(m, n) = r) =
(
n+mr
nk
)(
r1
k1
)
(
n+m
n
)
En particular, si m = n = 3 y k = 2, obtenemos
P(X
2
(3, 3) = 4) =
(
2
1
)(
3
1
)
(
6
3
)
=
3
10
= 0.30
como habamos encontrado anteriormente.
Ana lanza una moneda que tiene probabilidad p de cara, observa el resultado y, a
continuaci on, lanza otra moneda que tiene probabilidad r de cara; si sale cara en el el
segundo lanzamiento, Ana le dice a Bel en el resultado del primero; si sale cruz en el
segundo lanzamiento, Ana miente a Bel en y le dice lo contrario de lo que sali o en el
primer lanzamiento. Bel en anota 1 si Ana dice cara y anota 0 si Ana dice cruz; si
X es el n umero anotado por Bel en, hallar la funci on de probabilidad de X y calcular la
entropa de X, H(X); comparar H(X) con la entropa de la distribuci on de BERNOU-
LLI de par ametro p, H(p). Indicaci on: repasar la denici on y gr aca de H(p) (p ag.
65).
Soluci on.
Designemos por Y
1
e Y
2
los resultados de lanzar la primera y segunda moneda,
respectivamente. De los datos se sigue:
P(Y
1
= cara) = p, P(Y
1
= cruz) = 1 p
y
P(Y
2
= cara) = r, P(Y
2
= cruz) = 1 r
Para que X = 1, tiene que salir cara y Ana decir la verdad, o salir cruz y Ana mentir.
En consecuencia, se tiene:
P(X = 1) = P(Y
1
= cara)P(Y
2
= cara) +P(Y
1
= cruz)P(Y
2
= cruz)
= pr + (1 p)(1 r)
De manera similar, se obtiene:
P(X = 0) = P(Y
1
= cara)P(Y
2
= cruz) +P(Y
1
= cruz)P(Y
2
= cara)
= p(1 r) + (1 p)r
Se sigue que la variable X tiene una distribuci on de BERNOULLI de par ametro pr +
(1 p)(1 r). La entropa, H(p), de una distribuci on de BERNOULLI de par ametro
p se calcula en el apartado 3.9.1 de texto (p ag. 122); la gr aca de la funci on H(p) se
representa en la p agina 123. Observemos que H(p) es sim etrica respecto de p = 1/2,
es decir, se cumple H(p) = H(1p); es creciente cuando 0 < p <1/2 y decreciente
cuando 1/2 < p < 1. La funci on tiene un unico m aximo en el punto 1/2, donde
H(1/2) = 1 bit. En el caso de la variable X, se tiene:
H(X) = H(pr + (1 p)(1 r))
Para comprender qu e signica comparar H(X) y H(p), conviene dar sentido al enun-
ciado. El primer lanzamiento se puede interpretar como una fuente que emite smbo-
los binarios (ver ejemplo 2.18), el smbolo 1 con probabilidad p y 0 con probabilidad
1 p. La entropa H(p) mide nuestra incertidumbre acerca de qu e smbolo ha emiti-
do la fuente. Supongamos que el smbolo emitido por la fuente se transmite a trav es
de un canal que tiene ruido. Con probabilidad r el smbolo emitido es recibido sin
error y, con probabilidad 1 r, el smbolo emitido es recibido con error, de mane-
ra que si se emiti o 1, se recibe 0 y, si se emiti o 0, se recibe 1. Ahora, la entropa
H(X) = H(pr +(1p)(1r)) mide nuestra incertidumbre sobre el smbolo recibi-
do. En este ejercicio tratamos de comparar ambas incertidumbres.
Es f acil comprobar que, si 0 < p <1/2, cualquiera que sea r, 0 <r <1, se cumple:
p < pr + (1 p)(1 r) <1 p
mientras que, si 1/2 < p <1, se tiene:
1 p < pr + (1 p)(1 r) < p
As, en cualquier caso, resulta
H(pr + (1 p)(1 r)) H(p)
la igualdad se verica s olo cuando p = 1/2. Este razonamiento se justica de forma
gr aca en la gura 1.9. La interpretaci on de este resultado es clara. Un canal con
ruido siempre a nade incertidumbre a la se nal de una fuente binaria (tambi en se puede
probar para una fuente con un alfabeto cualquiera), salvo cuando la incertidumbre de
la fuente es m axima; es decir, cuando p = 1/2.
En el gr aco se ha representado la funci on x H(x) en rojo y las rectas y =
rx +(1r)(1x) e y = x en verde. Hemos supuesto 0 <r <1/2; con esta condici on
la recta y = rx +(1r)(1x) decrece desde el punto (0, 1r) hasta el punto (1, r).
Fijado un valor x = p, 0 < p < 1/2, si levantamos una vertical por el punto (p, 0),
el punto A en que corta a la recta y = rx + (1 r)(1 x) tiene coordenadas (p, pr +
(1 p)(1 r)). La horizontal trazada por A corta a la recta y = x en el punto B de
coordenadas (pr + (1 p)(1 r), pr + (1 p)(1 r)). La vertical trazada por B
corta a la gr aca de r H(r), en un punto cuya ordenada es H(pr +(1p)(1r)).
Se observa que H(pr + (1 p)(1 r)) > H(p). La clave del razonamiento es que
el punto pr + (1 p)(1 r) siempre est a m as cerca de 1/2 que p, cualquiera que
sea r, 0 < r < 1 y, por consiguiente, la funci on H toma un valor mayor en el punto
pr + (1 p)(1 r) que en el punto p. Un razonamiento similar es v alido si 1/2 <
p <1.
(0, 1 r)
(1, r)
H(p)
(p, 0)
A
B
H(pr + (1 p)(1 r)
0
1
0 1
Figura 1.9
Cualquier permutaci on se puede interpretar como una aplicaci on biyectiva del con-
junto de n umeros en s mismo, por ejemplo, la permutaci on 2314 se interpreta como
la aplicaci on biyectiva
1 2 3 4

2 3 1 4
Si observamos, en la permutaci on anterior, 1 se transforma en 2, 2 se transforma en 3
y 3 se transforma en 1. Este es un ciclo 1 2 3 1, que se representa por (123).
Por otra parte, 4 4, este es otro ciclo, que se representa por (4). F acilmente se razona
que toda permutaci on se descompone en ciclos, as la permutaci on 2314 es igual que
los dos ciclos (123)(4). Otros ejemplos, la permutaci on 2143 se descompone en dos
ciclos: (12)(34), mientras que la permutaci on 3421 se descompone en un unico ciclo
(1324).
Escogemos una permutaci on al azar de los n umeros 1, 2, 3, 4; designemos por X
el n umero de ciclos de la permutaci on elegida. Hallar la funci on de probabilidad de
X. Calcular E{X} y H(X).
Soluci on.
Hay 4! = 24 permutaciones de los n umeros 1, 2, 3, 4. En la tabla 1.6, se muestra la
descomposici on de cada una de esas 24 permutaciones en ciclos, junto con el n umero
de ciclos. Por ejemplo, la permutaci on 2143 se descompone en dos ciclos: 1 2 1,
que representamos por (1, 2) y 3 4 3, que representamos por (34). Basta recontar
X X X X
1234 (1)(2)(3)(4) 4 2134 (12)(3)(4) 3 3124 (132)(4) 2 4123 (1432) 1
1243 (1)(2)(34) 3 2143 (12)(34) 2 3142 (1342)(4) 1 4132 (142)(3) 2
1324 (1)(23)(4) 3 2314 (123)(4) 2 3214 (13)(2)(4) 3 4213 (143)(2) 2
1342 (1)(234) 2 2341 (1234) 1 3241 (134)(2) 2 4231 (14)(2)(3) 3
1423 (1)(243) 2 2413 (1243) 1 3412 (13)(24) 2 4312 (1423) 1
1432 (1)(24)(3) 3 2431 (124)(3) 2 3421 (1324) 1 4321 (14)(23) 2
Tabla 1.6: Numero de ciclos de las permutaciones de 1, 2, 3, 4
los casos de la tabla y dividir por 24, para obtener las probabilidades de la funci on de
probabilidad de X, que se muestran a continuaci on.
x 1 2 3 4
p(x) 6/24 11/24 6/24 1/24
El c alculo del valor esperado de X es inmediato:
E{X} = 1
6
24
+2
11
24
+3
6
24
+4
1
24
2.083
y la entropa de X es igual a
H(X) =
6
24
log
2
6
24
11
24
log
2
11
24
6
24
log
2
6
24
1
24
log
2
1
24
1.706bits
Lanzamos una moneda que tiene probabilidad de cara igual a p; si sale cara, elegi-
mos al azar un n umero del conjunto {1, 2, 3}; si sale cruz, elegimos al azar un n umero
del conjunto {2, 3, 4}. Sea X el n umero elegido, se pide:
1. Hallar la funci on de probabilidad de X.
2. Calcular E{X} y H(X).
3. Si X = 2, cu al es la probabilidad de que haya salido cara?
Soluci on.
Del enunciado se sigue:
P(X = 1) = P(cara)P(X = 1
cara) =
p
3
P(X = 2) = P(cara)P(X = 2
cara) +P(cruz)P(X = 2
cruz) =
p
3
+
1p
3
=
1
3
P(X = 3) = P(cara)P(X = 3
cara) +P(cruz)P(X = 3
cruz) =
p
3
+
1p
3
=
1
3
P(X = 4) = P(cruz)P(X = 4
cruz) =
1p
3
luego la funci on de probabilidad de X es:
x 1 2 3 4
p(x) p/3 1/3 1/3 (1 p)/3
El valor esperado de X es:
E{X} =
p
3
+
2
3
+
3
3
+
4(1 p)
3
= 3 p
La entropa de X es igual a:
H(X) =
p
3
log
2
p
3

1
3
log
2
1
3
1
3
log
2
1
3
1 p
3
log
2
1 p
3
=
p
3
log
2
p
1 p
3
log
2
(1 p) +log
2
3
=
1
3
H(p) +log
2
3
donde H(p) es la entropa del experimento que consiste en lanzar una moneda que
tiene probabilidad de cara igual a p.
Por ultimo, si X = 2, la probabilidad de que haya salido cara en la moneda es
igual a:
P(cara
X = 2) =
p/3
1/3
= p
Observemos que P(cara
X = 2) = P(cara), lo que implica que los sucesos cara y

{X = 2} son independientes.
Lanzamos un dado dos veces. Designemos por X
1
y X
2
los resultados del primer y
segundo lanzamiento, respectivamente. Sean U y V el mayor y menor, respectivamen-
te, de los resultados obtenidos
U = max(X
1
, X
2
), V = min(X
1
, X
2
)
1. Representar el histograma de la funci on de probabilidad de X =UV y calcular
su valor esperado E{X}.
2. Si A ={X
1
= 2}, hallar la distribuci on de la variable condicionada U | A.
Soluci on.
Hay 66 = 36 resultados posibles de lanzar un dado. Cuando ocurre uno de esos
resultados, las variables U y V toman un valor y, en consecuencia, la variable X =U
V. Por ejemplo, si el resultado del primer dado es X
1
= 3 y el resultado del segundo
dado es X
2
= 5, entonces U = 5, V = 3 y X = U V = 2. Puesto que el mayor valor
que puede tomar U es 6 y el menor de V es 1, se sigue que el mayor valor que puede
tomar X =U V es 61 = 5. Por otra parte, el menor valor posible de X es 0, que se
alcanza cuando ambos valores son iguales. As, X puede tomar los valores 0, 1, . . . , 5.
Para calcular la probabilidad P(X = k) hay que contar cu antos resultados, entre los 36
posibles, son favorables a X = k. Este recuento lo hemos realizado de manera gr aca
en la gura 1.10. En el diagrama de la izquierda aparecen los 36 resultados posibles:
hay un resultado de cada clase. En el de la derecha se cuentan cu antos resultados son
favorables a cada par de valores de la forma U = i, V = j. Por ejemplo, observamos
que no hay ning un resultado favorable a U = 3, V = 5, lo que es razonable ya que
U V. Tambi en observamos que hay un resultado favorable a U = V = 4: el par
6
5
4
3
2
1
1 2 3 4 5 6
1 1 1 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1
X
1
X
2
6
5
4
3
2
1
1 2 3 4 5 6
0 0 0 0 0 1
0 0 0 0 1 2
0 0 0 1 2 2
0 0 1 2 2 2
0 1 2 2 2 2
1 2 2 2 2 2
V
U
X
=
0
X
=
1
X
=
2
X
=
3
X
=
4
X
=
5
Figura 1.10
(4, 4). Por ultimo, observamos que hay dos resultados favorables a U = 4, V = 2, los
pares (4, 2) y (2, 4).
A partir del diagrama de la derecha se calcula el n umero de resultados favorables a
cada suceso de la forma {X = k}. Por ejemplo, para que X = 0, tiene que ser U =V,
lo que implica que hay 6 resultados favorables, los que est an en la diagonal. De igual
manera observamos que hay 10 resultados favorables a X = 1, 8 a X = 2, 6 a X = 3,
4 a X = 2 y 2 favorables a X = 5. La funci on de probabilidad de X es:
x 0 1 2 3 4 5
p(x) 6/36 10/36 8/36 6/36 4/36 2/36
El histograma de la funci on de probabilidad de X se representa en la gura 1.11. Para
0.5
0.25
0 1 2 3 4 5
Figura 1.11: Histograma de la distribuci on de X = max(X
1
, X
2
) min(X
1
, X
2
)
responder a la segunda cuesti on, consideremos que si X
1
= 2, los casos posibles se
reducen a seis casos igualmente probables: (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6).
F acilmente se tiene
P(U = 2
A) = 2/6 P(U = 3
A) = 1/6 P(U = 4
A) = 1/6
P(U = 5
A) = 1/6 P(U = 6
A) = 1/6
Ejercicio 1.20: Vectores aleatorios [1.5, 1.5.1, 1.5.2, 1.5.3, 1.5.7]
Lanzamos tres veces una moneda cargada de manera que la probabilidad de salir
cara es p. Sea X la variable aleatoria n umero de caras en los dos primeros lanzamien-
tos, e Y la variable aleatoria n umero de caras en los dos ultimos lanzamientos.
1. Hallar la tabla de la distribuci on conjunta de (X,Y).
2. Calcular E{X

Y = i}.
Soluci on.
Con un poco de paciencia, obtenemos la tabla de la distribuci on conjunta del vector
(X,Y). Por ejemplo, para que se cumpla X = 2 e Y = 1, tiene que salir , lo
que tiene una probabilidad p
2
(1 p) de ocurrir. A partir de los datos de la tabla, se
calculan las tres posibles distribuciones de X condicionadas por Y = i, i = 0, 1, 2. Por
ejemplo, la distribuci on de X | Y = 0 tiene funci on de probabilidad
P(X = 0
Y = 0) = 1 p, P(X = 1
Y = 0) = p, P(X = 2
Y = 0) = 0
Y = 0 Y = 1 Y = 2
X = 0 (1p)
3
p(1p)
2
0
X = 1 p(1p)
2
p(1p) p
2
(1p)
X = 2 0 p
2
(1p) p
3
De manera semejante, se tiene
P(X = 0
Y = 1) =
1 p
2
, P(X = 1
Y = 1) =
1
2
, P(X = 2
Y = 1) =
p
2
y
P(X = 0
Y = 2) = 0, P(X = 1
Y = 2) = 1 p, P(X = 2
Y = 2) = p
A partir de las distribuciones condicionadas, calculamos las esperanzas de acuerdo
con la denici on; resulta
E{X

Y = 0} = 0 (1 p) +1 p = p.
y, de forma similar, E{X

Y = 1} =
1
2
+ p y E{X

Y = 2} = 1 + p. Por otra parte, la

entropa H(X | Y = 1) es igual a
H(X | Y = 1) =
1 p
2
log
2
1 p
2

1
2
log
2
1
2
p
2
log
2
p
2
=(1 p) log
2
(1 p) log
2
1 plog
2
p +
_
1 p
2
+
1
2
+
p
2
_
log
2
2
= 1 +H(p)
donde H(p) es la entropa del experimento que consiste en lanzar una moneda que
tiene probabilidad p de cara.
Ejercicio 1.21: Vectores aleatorios [1.5.1, 1.6, 1.6.1]
Lanzamos un dado tres veces. Sean X
1
, X
2
y X
3
los resultados obtenidos en cada
lanzamiento. Consideremos las variables Y
2,1
e Y
3,1
que indican si los resultados del
segundo y tercer lanzamiento han sido, o no, mayores que el resultado del primero.
Y
2,1
=
_
1 si X
2
>X
1
0 si X
2
X
1
Y
3,1
=
_
1 si X
3
>X
1
0 si X
3
X
1
(1.14)
Hallar la tabla de la distribuci on conjunta. Calcular E{Y
2,1
} y
2
Y
2,1
. Son independien-
tes Y
2,1
y Y
3,1
? Calcular H(Y
3,1
).
Soluci on.
Hay 6
3
resultados posibles de lanzar los tres dados. En cada uno de esos resulta-
dos, el vector aleatorio (Y
2,1
,Y
3,1
) toma un valor que puede ser (0, 0), (1, 0), (0, 1) y
(1, 1). Por ejemplo, si el resultado es (1, 5, 3), entonces Y
2,1
= 1 (el segundo resultado
es mayor que el primero) e Y
3,1
= 1 (el tercer resultado es mayor que el primero).
Para calcular la distribuci on conjunta de (Y
2,1
,Y
3,1
), hay que hallar las probabilidades
de la forma P(Y
2,1
= i,Y
3,1
= j), con i, j = 0, 1. Por ejemplo, P(Y
2,1
= 1,Y
3,1
= 1)
es la probabilidad de que, simult aneamente, el segundo resultado sea mayor que el
primero y que el tercero sea mayor que el segundo. El c alculo se reduce a contar los
casos favorables. La mejor manera de hacerlo es jar el primer resultado, contar los
casos favorables y sumar. Si el primer resultado es , hay 9 casos favorables, que
representamos en el diagrama:
_
_
_
_
_
_
_
_
El segundo resultado puede ser uno de tres y, por cada elecci on del segundo resultado,
hay tres elecciones posibles del tercero. En general, si el primer resultado es k, 1 k
6, hay (6 k)
2
maneras de elegir los resultados del segundo y tercer lanzamientos, y
se tiene
P(Y
2,1
= 1,Y
3,1
= 1) =
1
6
3
6
k=1
(6 k)
2
=
55
6
3
De manera similar, se calculan las restantes probabilidades. La tabla 1.7 muestra la
Casos favorables a Y
2,1
= 1, Y
3,1
= 1
0 casos
..
0 casos
..
00 = 0
1 caso
..
1 caso
..
11 = 1
2 casos
..
2 casos
..
22 = 4
3 casos
..
3 casos
..
33 = 9
4 casos
..
4 casos
..
44 = 16
5 casos
..
5 casos
..
55 = 25
funci on de probabilidad conjunta de (Y
2,1
,Y
3,1
). A partir de los datos de la tabla de la
funci on de probabilidad conjunta se calculan las funciones de probabilidad margina-
les. El c alculo se ilustra en la tabla 1.8. A partir de la distribuci on marginal, se puede
Y
3,1
= 0 Y
3,1
= 1
Y
2,1
= 0 91/216 35/216
Y
2,1
= 1 35/216 55/216
Tabla 1.7
Y
3,1
= 0 Y
3,1
= 1
Y
2,1
= 0
91
216
35
216
126
216
Y
2,1
= 1
35
216
55
216
90
216
126
216
90
216
Tabla 1.8: C alculo de las distribuciones marginales de Y
2,1
e Y
3,1
calcular el valor esperado de Y
2,1
:
E{Y
2,1
} = 0
126
216
+1
90
216
=
90
216
y el momento de segundo orden:
E{Y
2
2,1
} = 0
2
126
216
+1
2
90
216
=
90
216
De este modo, la varianza es igual a:
2
Y
2,1
= E{Y
2
2,1
}
_
E{Y
2,1
}
_
2
0.243
Las variables Y
2,1
e Y
3,1
no son independientes ya que no se cumple la condici on
P(Y
2,1
= i,Y
3,1
= j) = P(Y
2,1
= i)P(Y
3,1
= j), para cualquier par (i, j). Por ejemplo,
si i = 1 y j = 1, se tiene:
P(Y
2,1
= 1,Y
3,1
= 1) =
55
216
=
_
90
216
_
2
= P(Y
2,1
= 1)P(Y
3,1
= 1)
Para calcular la distribuci on marginal de Y
2,1
no hace falta conocer la distribuci on con-
junta ya que, como es evidente, Y
2,1
depende s olo de los dos primeros lanzamientos.
El c alculo directo es as: hay 6
2
resultados posibles de lanzar los dos primeros dados.
Para contar los casos favorables a Y
2,1
= 1, jamos el resultado del primer dado, calcu-
lamos los casos y se suman. En total hay 15 casos favorables y P(Y
2,1
= 1) =
15
36
. Este
Casos favorables a Y
2,1
= 1
5 casos
..
5
3 casos
..
3
1 caso
..
1
4 casos
..
4
2 casos
..
2
0 casos
..
0
c alculo basta para conocer la distribuci on, ya que se tiene P(Y
2,1
= 0) = 1
15
36
=
21
36
.
Por otra parte, la entropa de Y
3,1
es igual a:
H(Y
3,1
) =
126
216
log
2
126
216
90
216
log
2
90
216
0.98
Ejercicio 1.22: Calculo con valores esperados [1.3.3, 1.5.3, 1.5.4, 1.5.5,
1.5.6]
Sean X e Y dos variables tales que E{X} = 1, E{Y} = 0,
2
X
= 2,
2
Y
= 3 y
X,Y
=1; calcular
1. E{X
2
Y
2
}
2. E{(2X Y)
2
}
Soluci on.
Todos los c alculos son aplicaciones de las propiedades de la esperanza matem atica.
E{X
2
Y
2
} = E{X
2
} E{Y
2
}
pero E{Y
2
} =
2
Y
+ (E{Y})
2
= 3 y E{X
2
} =
2
X
+ (E{X})
2
= 3, luego E{X
2
Y
2
} = 0.
Por otra parte, se tiene
E{(2X Y)
2
} = 4E{X
2
} +E{Y
2
} 4E{XY}
pero E{XY} =
X,Y
+E{X}E{Y} =1. Basta sustituir para tener E{(2X Y)
2
} =
19.
Ejercicio 1.23: Vectores aleatorios [1.5, 1.5.1, 1.5.2, 1.5.3, 1.5.7]
Lanzamos un dado tres veces. Sean X
1
, X
2
y X
3
los resultados obtenidos en los
lanzamientos. Consideremos las variables
X = max(X
1
, X
2
), Y = max(X
2
, X
3
)
Se pide
1. Hallar la tabla de la distribuci on conjunta de (X,Y).
2. Calcular E{X

Y = j}.
3. Calcular P(X = k
X
1
= i)
Soluci on.
1. Para calcular la distribuci on conjunta de X e Y condicionaremos por el valor de X
2
.
Supongamos que i < j, calculemos
P(X = i,Y = j
X
2
= k), si i, j = 1, 2, . . . , 6
El razonamiento es simple y exige considerar tres casos.
1. Si k <i, tiene que ser X
1
= i y X
3
= j, lo que tiene probabilidad 1/6
2
.
2. Si k = i, X
1
puede tomar cualquiera de los valores 1, 2, . . . , i, mientras que X
3
tiene que ser igual a j. Esto tiene una probabilidad igual a i/6
2
de ocurrir.
3. Si k >i, como X = max(X
1
, X
2
) k, no puede ocurrir que X = i.
Del razonamiento anterior se sigue
si i < j, entonces P(X = i,Y = j
X
2
= k) =
_
_
1/6
2
si k i
(1.15)
Ahora, calculamos P(X = i,Y = j) gracias al teorema de la probabilidad total.
si i < j, P(X = i,Y = j) =
6
k=1
P(X = i,Y = j
X
2
= k)P(X
2
= k)
=
i1
k=1
1
6
2

1
6
+
i
6
3
=
i 1 +i
6
3
=
2i 1
6
3
El caso i > j es sim etrico, y se tiene
P(X = i,Y = j) =
2 j 1
6
3
, si i > j
Por ultimo, el caso i = j es especial. Si hacemos de nuevo un razonamiento en tres
casos para calcular P(X = i,Y = i
X
2
= k), como al principio, obtendremos:
1. Si k <i, tiene que ser X
1
= i y X
3
= i, lo que tiene probabilidad 1/6
2
.
2. Si k = i, tanto X
1
como X
3
pueden tomar cualquiera de los valores 1, 2, . . . , i.
Esto tiene una probabilidad igual a i
2
/6
2
de ocurrir.
3. Si k >i, como X = max(X
1
, X
2
) k, no puede ocurrir que X = i.
En resumen, hemos obtenido el an alisis de la probabilidad condicionada.
P(X = i,Y = i
X
2
= k) =
_
_
1/6
2
si k i
(1.16)
Se sigue
P(X = i,Y = i) =
6
k=1
P(X = i,Y = i
X
2
= k)P(X
2
= k)
=
i1
k=1
1
6
2

1
6
+
i
2
6
3
=
i
2
+i 1
6
3
Si damos valores a i y j, obtenemos la tabla de la distribuci on conjunta de (X,Y).
X = 1 X = 2 X = 3 X = 4 X = 5 X = 6
Y = 1
1
6
3
1
6
3
1
6
3
1
6
3
1
6
3
1
6
3
Y = 2
1
6
3
5
6
3
3
6
3
3
6
3
3
6
3
3
6
3
Y = 3
1
6
3
3
6
3
11
6
3
5
6
3
5
6
3
5
6
3
Y = 4
1
6
3
3
6
3
5
6
3
19
6
3
7
6
3
7
6
3
Y = 5
1
6
3
3
6
3
5
6
3
7
6
3
29
6
3
9
6
3
Y = 6
1
6
3
3
6
3
5
6
3
7
6
3
9
6
3
41
6
3
2. El c alculo de las esperanzas condicionadas por los diferentes valores de Y es ruti-
nario.
E{X

Y = 1} =
7
2
E{X

Y = 2} =
65
18
E{X

Y = 3} =
115
30
E{X

Y = 4} =
175
42
E{X

Y = 5} =
249
54
E{X

Y = 6} =
341
66
3. Para calcular P(X = k
X
1
= i) razonaremos como en la primera parte. Si X
1
= i,
entonces X i, luego P(X = k
X
1
= i) = 0, si k < i. Si k = i, X
2
puede tomar los
valores 1, 2, . . . , i; luego P(X = i
X
1
= i) = i/6. Por ultimo, si k >i, para que X = k,
tiene que ser X
2
= k y P(X = k
X
1
= i) = 1/6.
P(X = k
X
1
= i) =
_
_
0 si k i
g
2
(p)
g
1
(p)
Figura 1.12: Gr aca de las ganancias de Ana para cada decisi on de Bel en

Estadisticas Sol Unidad 1 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadisticas Sol Unidad 1 PDF

Caricato da

Copyright:

Formati disponibili

Estadstica: ejercicios de la primera Unidad

B), para ello calcularemos

) = 3/6. De igual manera obtenemos:

) = 4/6. De igual manera obtenemos:

BC), necesitamos la probabilidad P(BC) = p(2p)

A C), necesitamos conocer

depende del factor 2x1. Si 0 <x <1/2, P

(x) >0 y P crece. En consecuencia, P tiene dos m aximos

A), comparar este resultado con la propiedad de

X = 2) = P(cara), lo que implica que los sucesos cara y

Y = 2} = 1 + p. Por otra parte, la

Potrebbero piacerti anche