Oscar Rodriguez - Capitulo 5 Schaum

UNIVERSIDAD DE LAS FUERZAS ARMADAS
EXTENSIÓN LATACUNGA
PROCESOS ESTOCÁSTICOS
Alumno:
OSCAR RODRIGUEZ
Docente:
Ing. Fabián Armando Alvarez Salazar
Tema:
Funciones de probabilidad
CAPÍTULO 5
VARIABLE ALEATORIA DISCRETA
5.3 Considere un experimento aleatorio para los que 𝑆 = {𝑠𝑖 : 𝑠𝑖 = 𝑖, 𝑖 = 1,2, . . . , 10} y los
resultados son igualmente probable. Si una variable aleatoria se define como 𝑋(𝑠𝑖 ) = 𝑠𝑖 2 ?,
encontrar 𝑆𝑋 y el PMF.
𝑆 = {1,2, 3 , 4 , 5, 6, 7, 8, 9, 10}
𝑆𝑋 = {1,4, 9 , 16 , 25, 36, 49, 64, 81, 100}
𝑥𝑖 1 4 9 16 25 36 49 64 81 100
𝑝𝑋 [𝑥𝑖 ] 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10
5.4 Considere un experimento aleatorio para el que 𝑆 = {𝑠𝑖 : 𝑠𝑖 = −3, −2, −1,0,1,2,3} y los
resultados son igualmente probables. Si una variable aleatoria se define como 𝑋(𝑠𝑖 ) = 𝑠𝑖 2 ,
encontrar 𝑆𝑋 y la PMF.
𝑆 = { −3, −2, −1,0,1,2,3}

𝑆𝑋 = {0, 1, 4, 9}
1
𝑥𝑖 = 0
7
2
𝑥𝑖 = 1
𝑝𝑋 [𝑥𝑖 ] = 7
2
𝑥𝑖 = 4
7
2
{7 𝑥𝑖 = 9
5.5 Un hombre llega tarde a su puesto de trabajo por 𝑠𝑖 = 𝑖 𝑚𝑖𝑛𝑢𝑡𝑜𝑠, donde 𝑖 = 1, 2, 3, … Si

1 𝑖
𝑝[𝑠𝑖 ] = ( ) y su multa es de $ 0.50 por minuto, encontrar el PMF de su multa. Siguiente encontrar
2
la probabilidad de que se le impuso una multa de más de $ 10.
𝑠𝑖 = {1, 2, 3, 4, … }
a)
1 1
𝑝[0.5] = ( )
2
1
𝑝[0.5] =
2
b)
𝑝[> 10] = 1 − 𝑝[≤ 10]
Procesos Estocásticos Página 2

10
1 𝑘
𝑝[> 10] = 1 − ∑ ( )
2
𝑘=1
1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 1 10
𝑝[> 10] = 1 − [( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) ]
2 2 2 2 2 2 2 2 2 2
1 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9
𝑝[> 10] = 1 − [1 + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) ]
2 2 2 2 2 2 2 2 2 2
𝑝[> 10] = 1 − [𝑆𝐺]

𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 𝑆𝐺
𝑎= 1
𝑟 = 1/2
𝑛 ∗= 9
1 10
1 − (𝑟)𝑛∗ 1−( )
𝑆𝐺 = 𝑎. = 2
1−𝑟 1 − 1/2
1023
𝑝[> 10] = 1 −
1024
1
𝑝[> 10] =
1024
5.6 Si 𝑝𝑋 [𝑘] = 𝛼𝑝𝑘 con 𝑘 = 2, 3, . .. para ser PMF válida, ¿cuáles son los posibles valores para
𝛼 y 𝑝?
∞ ∞
∑ 𝑝𝑋 [𝑘] = ∑ 𝛼𝑝 𝑘 = 1
𝑘=2 𝑘=2
∞
𝛼 ∑ 𝑝𝑘 = 1
𝑘=2
𝛼[𝑝 2 + 𝑝 3 + 𝑝 4 + 𝑝 5 + ⋯ ] = 1
𝑑𝑜𝑛𝑑𝑒:
𝑎=1
𝑟=𝑝

1
𝑆 = 𝑎.
1−𝑝
1
𝑆=
1−𝑝
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
1
𝛼𝑝 2 [ ]=1
1−𝑝
1−𝑝
𝛼=
𝑝2
𝑝 𝑝𝑢𝑒𝑑𝑒 𝑡𝑜𝑚𝑎𝑠 𝑙𝑜𝑠 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
0< 𝑝<1
5.9 Si 𝑋 es una variable aleatoria geométrica con 𝑝 = 0.25, ¿Cuál es la probabilidad que 𝑋 > 4?
Verifica el resultado mediante la realización de una simulación por ordenador.
𝑆𝑒𝑟𝑖𝑒 𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎:
𝑝𝑋 [𝑘] = (1 − 𝑝)𝑘−1 𝑝
4
𝑝𝑋 [𝑋 > 4] = 1 − ∑(1 − 𝑝)𝑘−1 𝑝

1
𝑝𝑋 [𝑋 > 4] = 1 − [(1 − 𝑝)0 𝑝 + (1 − 𝑝)1 𝑝 + (1 − 𝑝)2 𝑝 + (1 − 𝑝)4 𝑝]
𝑝𝑋 [𝑋 > 4] = 1 − 𝑝[1 + (1 − 𝑝)1 + (1 − 𝑝)2 + (1 − 𝑝)3 ]
𝑝𝑋 [𝑋 > 4] = 1 − 𝑝[1 + (1 − 𝑝)1 + (1 − 𝑝)2 + (1 − 𝑝)4 ]

175
𝑝𝑋 [𝑋 > 4] = 1 −
256
𝑝𝑋 [𝑋 > 4] = 0.316
Mediante software
%ejercicio 5.9
clc
clear all
p=0.25;
x=[1:1:20]
f=p*(1-p).^(x-1)
stem(x,f)
xlabel('x')
ylabel('p_x[x_i]')
grid on

pmenor=0;
for k=1:1:4
px=p*(1-p)^(k-1)
pmenor=px+pmenor;
end
fprintf('La probabilidad que X>4 es:')

pmayor_a_4=1-pmenor
Resultados:
La probabilidad que X<4 es:
pmayor_a_4 =
0.3164
5.10 Usando una simulación por ordenador para generar un geom (0,25) variable aleatoria,
determinar el valor promedio para un gran número de realizaciones. Relacionar esto el valor de p y
explicar los resultados.
Código:
%ejercicio 5.10
clc
clear all
p=0.25;
x=[1:1:20]
f=p*(1-p).^(x-1)
stem(x,f)
xlabel('k')
ylabel('p_x[k]')
grid on
title('geom(0.25)')

Mientras haya un gran número de realizaciones, el valor promedio es mucho más pequeño que el
valor de probabilidad p=0.25.
5.21 Una discreta variable aleatoria X tiene el PMF

1
𝑥1 = −1
2
1 1
𝑥2 = −
4 2
1
𝑝𝑋 [𝑥𝑖 ] = 𝑥3 = 0
8
1 1
𝑥4 =
16 2
1
{16 𝑥5 = 1
Si 𝑌 = sin 𝜋𝑋, encontrar la PMF para 𝑌.

1 1
𝑆𝑋 = {−1, − , 0 , , 1}
2 2
𝑆𝑌 = {−1, 0 , 1}
1
𝑦1 = −1
4
11
𝑝𝑌 [𝑦𝑖 ] = 𝑦2 = 0
16
1
{ 16 𝑦3 = 1

CAPITULO 6
VALORES ESPERADOS PARA VARIABLE ALEATORIA DISCRETA
6.2 Para la variable aleatoria discreta con PMF

1
𝑝𝑋 [𝑘] = 𝑘 = 1,2,3, … . ,9
10
encontrar el valor esperado de X.
9
𝐸[𝑋] = ∑ 𝑘𝑖 . 𝑝𝑋 [𝑘𝑖 ]
𝑖=1
1 1 1 1 1 1 1 1 1
𝐸[𝑋] = 1. + 2. + 3. + 4. + 5. + 6. + 7. + 8. + 9.
10 10 10 10 10 10 10 10 10
1
𝐸[𝑋] = (1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9)
10
45 9
𝐸[𝑋] = =
10 2
6.3 Un dado se lanza. La probabilidad de obtener un 1, 2, o 3 es el mismo. También, la
probabilidad de obtener un 4, 5, o 6 es el mismo. Sin embargo, un 5 es dos veces probable de ser
observado que un 1. ¿Para un gran número de lanzamientos cual es el promedio valor
observado?
𝑆 = {1 , 2 , 3 , 4 , 5 , 6}
0 𝑠𝑖 1,2,3
𝑋(𝑆𝑖 ) = {
1 𝑠𝑖 4,5,6
𝐶𝑜𝑚𝑜:
3𝑝 + 2(3𝑝) = 1
1
𝑝=
9
3
𝑥1 = 0
𝑝𝑌 [𝑦𝑖 ] = {9
6
𝑥1 = 1
9
1
𝐸[𝑋] = ∑ 𝑥𝑖 . 𝑝𝑋 [𝑥𝑖 ]
𝑖=0
3 6
𝐸[𝑋] = 0 ( ) + 1 ( )
9 9

6 2
𝐸[𝑋] = =
9 3
6.4 Se lanza una moneda con la probabilidad de ser cara 2/3. Una cara es asignada en X = 1 y sello
en X = 0. ¿Cuál es el resultado esperado de este experimento?
𝑆𝑋 = {1, 0}
1
𝑥1 = 0
𝑝𝑋 [𝑥𝑖 ] = {3
2
𝑥2 = 1
3
2
𝐸[𝑋] = ∑ 𝑥𝑖 . 𝑝𝑋 [𝑥𝑖 ]
𝑖=1
1 2
𝐸[𝑋] = 0 ( ) + 1 ( )
3 3
2
𝐸[𝑋] =
3

Oscar Rodriguez - Capitulo 5 Schaum

Cargado por

Copyright:

Formatos disponibles

Oscar Rodriguez - Capitulo 5 Schaum

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Oscar Rodriguez - Capitulo 5 Schaum

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE LAS FUERZAS ARMADAS

VARIABLE ALEATORIA DISCRETA

𝑆 = { −3, −2, −1,0,1,2,3}

5.5 Un hombre llega tarde a su puesto de trabajo por 𝑠𝑖 = 𝑖 𝑚𝑖𝑛𝑢𝑡𝑜𝑠, donde 𝑖 = 1, 2, 3, … Si

𝑝[> 10] = 1 − 𝑝[≤ 10]

Procesos Estocásticos Página 2

𝑝[> 10] = 1 − [𝑆𝐺]

Procesos Estocásticos Página 3

𝑝 𝑝𝑢𝑒𝑑𝑒 𝑡𝑜𝑚𝑎𝑠 𝑙𝑜𝑠 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

𝑝𝑋 [𝑋 > 4] = 1 − ∑(1 − 𝑝)𝑘−1 𝑝

𝑝𝑋 [𝑋 > 4] = 1 − [(1 − 𝑝)0 𝑝 + (1 − 𝑝)1 𝑝 + (1 − 𝑝)2 𝑝 + (1 − 𝑝)4 𝑝]

𝑝𝑋 [𝑋 > 4] = 1 − 𝑝[1 + (1 − 𝑝)1 + (1 − 𝑝)2 + (1 − 𝑝)3 ]

𝑝𝑋 [𝑋 > 4] = 1 − 𝑝[1 + (1 − 𝑝)1 + (1 − 𝑝)2 + (1 − 𝑝)4 ]

Procesos Estocásticos Página 4

fprintf('La probabilidad que X>4 es:')

Procesos Estocásticos Página 5

5.21 Una discreta variable aleatoria X tiene el PMF

Si 𝑌 = sin 𝜋𝑋, encontrar la PMF para 𝑌.

Procesos Estocásticos Página 6

VALORES ESPERADOS PARA VARIABLE ALEATORIA DISCRETA

6.2 Para la variable aleatoria discreta con PMF

Procesos Estocásticos Página 7

Procesos Estocásticos Página 8

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.