Académique Documents
Professionnel Documents
Culture Documents
Apuntes de Probabilidad
impartido por Leandro Pardo Llorente
13 de febrero de 2013
ii
ndice general
1 Introduccin al clculo de probabilidades
1.1 Experimento aleatorio . . . . . . . . . . . .
1.2 Lmites de sucesiones de conjuntos . . . . .
1.3 lgebras y -lgebras . . . . . . . . . . . .
1.3.1 Propiedades . . . . . . . . . . . . . .
1.3.2 Generacin de diversas estructuras
1.3.3 lgebras y -lgebras particulares .
1.4 Ejercicios . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
3
4
5
6
7
2 Probabilidad
2.1 Definicin axiomtica de probabilidad . . . . . . . . . .
2.2 Espacio probabilstico discreto. Anlisis combinatorio .
2.2.1 Breve repaso de combinatoria . . . . . . . . . . .
2.3 Probabilidad condicionada e independencia de sucesos
2.3.1 Teorema de la Probabilidad Total . . . . . . . .
2.3.2 Teorema de Bayes . . . . . . . . . . . . . . . . . .
2.3.3 Independencia de sucesos . . . . . . . . . . . . .
2.4 Funciones de distribucin en R . . . . . . . . . . . . . .
2.4.1 Concepto de funcin de distribucin en R . . .
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
15
16
18
19
20
20
22
22
25
.
.
.
.
.
.
.
.
.
.
.
.
31
31
31
34
36
39
40
43
45
46
48
48
49
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iii
ndice g e n e r a l
3.5
3.6
3.7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
50
52
53
54
56
56
57
60
61
63
67
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
76
77
79
79
80
83
86
88
90
91
94
95
95
97
.
.
.
.
.
.
.
103
103
108
108
111
112
113
115
119
1 Intro du c c i n a l c l c u l o d e p ro b a b i l i da d e s
sucesin de conjuntos a toda aplicacin de N en
tAn unPN pq pAn q.
pq.
Lo representaremos mediante
Definicin 1.4 (Lmite inferior y superior). Sea tAn unPN una sucesin de subconjuntos
de un espacio muestral . Se define el lmite superior e inferior de tAn u mediante
[
\
Am
(1.1)
lim An lim sup An
n
n
mn
n1
\
[
lim An lim inf An
Am
(1.2)
n
n1
mn
A2n1
&
kn
n1 , 1 y A2n 1, n1 . Entonces
lim inf An
n
lim sup An
n
&
An t0u
mn
y, por lo tanto
kn
n1 mn
[
\
n1
p1, 1s
mn
Am
Am
mn
t0u
p1, 1s
Proposicin 1.5. Sea tAn unPN una sucesin de subconjuntos de . Entonces se tiene que
a) lim supn An t P | pertenece a infinitos An u, y, por otro lado,
b) lim infn An t P | pertenece a todos los An excepto a un nmero finitou.
Demostracin.
`S
T
S
a) P lim supn An P
@n P N P
mn Am
mn Am
n1
@n P N D m n, P Am pertenece a infinitos An .
`T
S
T
b) P lim infn An P
D m, P
mn Am
mn Am
n1
D m, P Am @m n pertenece a todos los An salvo quiz a un nmero
finito.
Proposicin 1.6.
lim inf An lim sup An .
n
(1.3)
1.3 l g e b r a s y - l g e b r a s
Definicin 1.7 (Sucesiones de subconjuntos convergente). Sea tAn unPN una sucesin de
subconjuntos de . Se dice que tAn u es convergente si y slo si
lim inf An lim sup An lim An .
n
(1.4)
(
Ejemplo. Sea tAn unPN , An x P R | x n1 . Entonces lim supn An p, 0q y
lim infn An p, 0q. Por lo tanto la sucesin converge y
lim An p, 0q.
lim sup
a) Como An An`1 para todo n entonces
n ASn n1
S `T
Y por otra parte lim infn An n1 mn Am n1 An .
n1
An ,
n1
An .
`S
m1
mn Am
m1
Am .
AA P A, y
Sn
b) @A1 , . . . , An P A,
i1
Ai P A.
AB AKB
A A
A B pA B q
A A K A
A
A K B A BA
1 Intro du c c i n a l c l c u l o d e p ro b a b i l i da d e s
Definicin 1.11 (-lgebra). Una familia no vaca, A, de subconjuntos de es un
-lgebra si se verifica
a) @A P A,
AA P A, y
b) @A1 , . . . , An , . . . P A,
Ai P A (unin numerable).
i1
Observacin. Todo -lgebra es una lgebra. Por un lado la propiedad (a) es la misma y
por otro lado (b) implica (b) sin ms que considerar An`1 An`2 . . . A1 ya que se
S
Sn
tendra
n1 An i1 Ai P A.
1.3.1 Propiedades
Corolario 1.12 (Propiedades).
a) Sea A un lgebra. Entonces , P A.
(a)
(b)
Demostracin. i1 Ai p
las uniones pertenecen.
Tn
i1
Sn
i1
Ai P A.
c) A1 , A2 P A, A un lgebra, con A2 A1 A1 K A2 P A.
(b)
i1
Ai p
i1
n1
An P A.
AAi qA P A.
@i P I AA P Ai
iPI
Ai es -lgebra.
@i P I AA P A.
2. Sean A1 , . . . , An , . . . P A A1 , . . . , An , . . . P Ai
S
S
n1 An P Ai @i P I
n1 An P A.
@i P I de manera que
1.3 l g e b r a s y - l g e b r a s
n
[
i1
(
Di Di P C2 y Di D j .
(
C1 t1u, t1, 2u, t1u, t1, 2u, , N ,
(
C2 t1u, t1, 2u, t1u, t1, 2u, , N, t2u ,
entonces
(1.5)
BPC
(1.6)
p f 1 pCqq f 1 ppCqq.
n
[
j1
Bj
n
[
j1
f 1 pBj q
n
[
j1
A j P C
n
[
A j P f 1 pCq.
j1
1 Intro du c c i n a l c l c u l o d e p ro b a b i l i da d e s
T
1
2. pa, bs
n1 a, b ` n P BpRq,
3. ra, bq P BpRq,
4. ra, bs P BpRq,
QA
P BpRq.
n1 qn
P BpRq),
Aunque hay que tener en cuenta que hay conjuntos en R que no pertenecen a BpRq.
b) Se puede comprobar que BpRq se puede tambin engendrar mediante
i) la clase de todos los subconjuntos cerrados de R,
ii) la clase de todos los intervalos de la forma p, bs, y
iii) la clase de todos los intervalos de la forma pa, bs.
Definicin 1.18 (Rectngulo). Dados los espacios p1 , A1 q y p2 , A2 q se denomina
rectngulo de 1 2 a los conjuntos de la forma A1 A2 , donde A1 P A1 , A2 P A2 .
Definicin 1.19 (-lgebra producto). Se denomina -lgebra producto a la -lgebra
engendrada por la clase de los rectngulos en 1 2 .
1.4 E j e rc i c i o s
1.4 Ejercicios
Hoja 0
1.- (1.a) Supongamos un alfabeto de n letras. Determinar cuantas iniciales
diferentes se pueden formar con dos letras.
(1.b) Determinar cuantas letras debera tener el alfabeto para que un millon
de personas puedan ser identificadas mediante tres iniciales.
2.- Determinar cuantos n
umeros de tres cifras pueden tenerse si se emplean
solo cifras impares. Calcular cuantos de estos n
umeros son menores que 500.
3.- Se eligen cinco bolas entre diez disponibles, siendo ordenadas en cinco cajas.
Determinar de cuantas maneras distintas pueden colocarse.
4.- Calcular en cuantos subconjuntos de tres elementos de cinco posibles aparece
un elemento especfico.
5.- Se dispone de dos mesas para tres y seis personas. Calcular de cuantas
formas pueden distribuirse nueve invitados.
6.- Demostrar la identidad 2n =
Pn
i=0
n
i .
7.- Calcular de cuantas formas pueden ordenarse las letras de la palabra catarata.
8.- Calcular cuantas se
nales diferentes, cada una de seis banderas colocadas
en una lnea vertical, pueden formarse con cuatro banderas rojas identicas y dos
banderas azules identicas.
9.- Si se dispone de cuatro grupos de individuos (tres americanos, cuatro franceses, cuatro daneses y dos italianos), calcular de cuantas formas posibles pueden
sentarse en una fila de sillas cuando aquellos de igual nacionalidad se sientan
correlativamente.
10.- Calcular como pueden distribuirse nueve juguetes entre cuatro ni
nos cuando
el menor de estos recibe tres juguetes y cada uno de los restantes recibe dos
juguetes.
1 Intro du c c i n a l c l c u l o d e p ro b a b i l i da d e s
1.4 E j e rc i c i o s
Hoja 1 Introducci
on al
C
alculo de Probabilidades
1.- Dados el conjunto B y las sucesiones {An : n 1} P() y {Bn : n
1} P(), se pide
(1.e) Demostrar que (lim sup An ) = lim inf Acn y (lim inf An ) = lim sup Acn .
(1.f ) Demostrar que lim sup(An Bn ) = lim sup An lim sup Bn y lim inf(An
Bn ) = lim inf An lim inf Bn .
2.- Determinar los lmites inferiores y superiores de {An : n 1} cuando:
h
i
5n
(2.a) A2n1 = Q
I n1 , 2n+2
y A2n = (IR Q
I ) n2 , 7n+3
9n .
(2.b) A3n2 =
n1 2n1
5n+3 , n
3n
2n2 +1
, A3n1 = 5n+1
, 3n+2
y
A
=
1,
.
3n
n
n+2
(2.c) An = x IR n1 x 3
1
n
1
2
2
2
,
En =
(x, y) IR : x + y < 1 +
n
n
Fn =
(x, y) IR2 : x2 + y 2
.
n+1
4.- Calcular limn An en los siguientes casos:
3
1 Intro du c c i n a l c l c u l o d e p ro b a b i l i da d e s
1
n
x2 + y 2 4 n1 }.
1
n }.
10
2 Probabilidad
2.1 Definicin axiomtica de probabilidad
Definicin 2.1 (Medida de probabilidad). Dado el espacio p, Aq, una funcin de conjuntos P : A r0, 1s es una medida de probabilidad si se verifica que
a) Ppq 1, que
b) dados A1 , . . . , An , . . . P A disjuntos dos a dos y con n 1, . . . , , se verifica que
P
An
n1
PpAn q,
(-aditividad)
n1
An P A),
n1
@A P A.
n1
Ppq
Ppq 0.
n1
pAi A j
@i jq, entonces P
Demostracin.
Sea
Bj
Aj
1jn
nj
[ n
i1
Ai
PpAi q.
i1
[
[
[
[
P
Ai P
Ai
P
Bj
i1
i1
PpBj q
j1
in`1
PpBj q `
j1
j1
PpBj q
jn`1
looooomooooon
PpA j q
j1
11
2 Proba b i l i da d
c) Sean A1 , A2 P A con A1 A2 PpA1 q PpA2 q y PpA2 K A1 q PpA2 q PpA1 q.
n
f) Sean A1 , . . . , An P A, entonces se tiene que P
Ai PpAi q.
i1
i1
n
[
Ai
i1
n1
[
Ai
i1
An
n1
[
i1
n1
Ai ` PpAn q
n
i1
i1
g) Sean A1 , . . . , An P A, entonces:
P
n
[
Ai
i1
PpAi q PpAi A j q `
i1
ij
ijk
PpAi A j Ak q `
` p1q
n`1
n
\
i1
Ai
n
[
Ai
i1
n
[
Ai
n1
[
i1
Ai A n
i1
n1
i1
PpAi q
n
` p1q P
Ai ` PpAn q P
n1
n1
ij
ijk
pAi A j q `
n1
\
i1
12
i1
n1
Ai ` PpAn q
n1
[
i1
Ai A n
PpAi A j Ak q `
n1
PpAi An q
i1
2.1 D e f i n i c i n a x i o m t i c a d e p ro b a b i l i da d
n1
PpAi A j An q ` ` p1q
ij
i1
ij
n`1
n
\
pAi A j q
i1
n
\
Ai
i1
n
[
Bi A
n
i1
PpAq Pp lim An q P
Bn ,
n1
y de esta manera:
An
n1
n
n1
n1
i1
Bn
n
[
Bi
i1
lim PpAn q.
n
13
2 Proba b i l i da d
b) Sea tAn unPN con An P A
@n, entonces P
n1
An
Sn
An
n1
Bn
n1
i1
n1
@n 1. Con lo que
Ai
lim
PpAn q.
@n, entonces P
n1
PpAi q
i1
An 1
1P
n1
n1
AAn
n
[
Ai
i1
PpAn q.
n1
PpAAn q.
n1
Demostracin.
A
\
\
A
An PpAq 1 PpA q 1 P
An
P
n1
PpAAn q.
n1
@n y
PpAn q , entonces
n1
Pplim sup An q 0.
(2.1)
Demostracin. Como
n1 PpAn q ,Sse desprende que para todo 0 existe un
n P N, nn PpAn q . Sea Bn
mn Am , con lo que tBn u. Ahora con todo
esto:
\ \
\
`
Pplim sup An q P
An
P
Bn P lim Bn lim PpBn q
n
mn
[
n1
lim P
n
mn
Am
lim
n1
mn
PpAm q
@ 0.
Pplim inf An q lim inf PpAm q lim sup PpAm q Pplim sup An q.
n
14
n mn
n mn
n1
y como mn Am Am
y por lo tanto
P
Am
mn
mn
Am
P lim
Am
mn
lim P
n
inf PpAm q P
mn
n1
Am
mn
mn
mn
Am q PpAm q
Am ,
@m n
inf PpAm q .
mn
\ [
[
[
`
P lim sup An P
Am
P lim
Am
lim P
Am ,
n
y como
P
mn
mn
Am
n1
Am Am
mn
sup PpAm q P
mn
n1
Am
mn
mn
mn
mn
Am q PpAm q
@m n
n mn
Demostracin. A lim An lim inf An lim sup An y por lo tanto se dan las igualdades
n
en la proposicin anterior.
Pi 1,
iPI
y la funcin
P : A r0, 1s
A PpAq Pptai uq Pi
ai PA
ai PA
15
2 Proba b i l i da d
b) Sea ta1 , . . . , an u, entonces
Ppta1 uq . . . Pptan uq Pptai uq
1
n
@i 1, . . . , n.
Pptaij uq
aij PA
CardpAq
.
n
(2.2)
tambin expresada como nmero de casos favorables dividido por casos posibles,
conocida como Regla de Laplace.
i 1, . . . , r, entonces
CardpA1 A2 Ar q n1 n2 nr .
Ejemplo (Clasificacin mltiple). Se quiere clasificar a un colectivo de personas segn su
sexo, su estado civil y su profesin. Si se consideran 10 profesiones bsicas. Cuntas
clases tendremos?
Solucin. Como hay solamente 2 posibilidades para el sexo, hombre o mujer, y suponemos
tambin solo 2 para el estado civil: casado o soltero. De esta manera tenemos en total
2 2 10 40 clases diferentes.
Ejemplo. En un ascensor de un edificio de 5 plantas se montan 10 personas. Configuraciones posibles para bajada de las personas.
Solucin. Ai tposibilidades de bajada para la i-sima personau, CardpAi q 5. En total
hay 510 configuraciones.
16
Permutaciones
Si en el caso de las variaciones sin repeticin se toma k n se obtienen las distintas
ordenaciones de los n elementos y se conocen con el nombre de permutaciones.
Pn Vn,n n pn 1q 2 1 n!.
Combinaciones
Las combinaciones de n elementos tomadas de k en k son todos los grupos de k elementos
sacados de entre los n, de modo que dos grupos son distintos si tienen algn elemento
distinto. El orden es irrelevante.
Vn,k
n
Cn,k
.
k!
k
El nmero de variaciones de n elementos tomados de k en k es Vn,k . Estas Vn,k variaciones
se pueden formar de la forma siguiente: se selecciona una combinacin particular de k
elementos, cada permutacin distinta de esos k elementos producir una variacin. Puesto
que hay k! permutaciones de esos k elementos, esta combinacin particular producir k!
variaciones:
Vn,k Cn,k k!.
17
2 Proba b i l i da d
Ejemplo. Sea ta, b, c, du. Entonces
4
4!
C4,3
4.
p4 3q! 3!
3
Estas combinaciones son: ta, b, cu, ta, b, du, ta, c, du, tb, c, du. Y podemos observar que
ta, b, cu ta, c, bu tb, a, cu tb, c, au tc, a, bu tc, b, au,
y, sin embargo, como ternas (esto es, importando el orden)
pa, b, cq pa, c, bq pb, a, cq pb, c, aq pc, a, bq pc, b, aq.
Permutaciones con repeticin
Las permutaciones con repeticin de n elementos uno de los cuales se repite n1 veces,
otro n2 veces, ..., y otro nk veces. Supongamos que se van a dividir n elementos en grupos
distintos de manera que el j-simo grupo pj 1, . . . , kq contenga n j elementos y que se
cumple n1 ` n2 ` ` nk n. Se trata de determinar el nmero de formas distintas en
las que se pueden distribuir los n elementos en los k grupos.
n
n n1
n n1 n2
n n1 nk2
n n1 nk1
n1
n2
n3
nk1
nk
(n q!
(n q!
n
n1
pn
pn
p
n
n!
( (
( (
1
1 q!
k2
k1
(n(
(((
(
(
(
((
(
(
(n q! nk ! pn n(
n1 q! n2 ! p(
( (
n1 ! p
n
n
nk q!
(n(
n(
nk1 ! pn
(
1 n2 q!
1
1
(
k1
(
(
(
n!
n
n1 , n2 , . . . , n k
n1 ! n k !
((
((
PpB Aq
PpAq
@B P A.
(2.3)
18
PpA Aq
1.
PpAq
2.3 Pro b a b i l i da d c o n d i c i o na da e i n d e p e n d e n c i a d e s u c e s o s
Y, por otro lado, dados B1 , . . . , Bn , . . . P AA con Bi Bj @i j,
S
S
[
Ppp
Pp
n1 Bn q Aq
n1 pBn Aqq
PA
Bn
PpAq
PpAq
n1
PpBn Aq
n1 PpBn Aq
PA pBn q.
PpAq
PpAq
n1
n1
Observaciones.
a) La probabilidad condicionada a veces es til para calcular la probabilidad de la
interseccin de dos sucesos:
PpB | Aq
PpA Bq
PpA Bq PpAq PpB | Aq.
PpAq
.
50000 49999 49998
(2.4)
iPI
PpAi q0
19
2 Proba b i l i da d
Demostracin. Como B B B p
PpBq P
iPI
Ai q
iPI pB
Ai q, entonces
PpB Ai q
PpAi q PpAi q PpB | Ai q
pB Ai q PpB Ai q
PpAi q
iPI
iPI
iPI
iPI
PpAi q0
PpAi q0
Ejemplo. Una compaa financiera para la venta de automviles a plazos opera en tres
grandes regiones de un pas: A, B y C. El 50 % de las operaciones las realiza en la regin
A, el 40 % en B y el 10 % en C. Se ha estimado por larga experiencia el tanto por ciento
de los clientes que no efectan el pago de las letras en cada una de las regiones. Para A
es el 1 %, para B el 2 % y para C el 8 %. Determinar el tanto por ciento de los clientes de
la compaa que pagan las letras de la operacin.
Solucin. A clientes de la regin A, B clientes de la regin B, C clientes de la
regin C, L clientes que pagan las letras. Entonces
PpAq 0.5, PpLA | Aq 0.01, PpL | Aq 0.99,
PpBq 0.4, PpLA | Bq 0.02, PpL | Bq 0.98,
PpCq 0.1, PpLA | Cq 0.08, PpL | Cq 0.92,
PpLq PpL | Aq PpAq ` PpL | Bq PpBq ` PpL | Cq PpCq 0.979.
PpB | A j q PpA j q
PpB | Ai q PpAi q
(2.5)
iPI
Demostracin.
PpA j | Bq
PpB | A j q PpA j q
PpA j Bq
PpBq
PpBq
PpB | A j q PpA j q
PpB | Ai q PpAi q
iPI
PpAi q0
20
2.3 Pro b a b i l i da d c o n d i c i o na da e i n d e p e n d e n c i a d e s u c e s o s
segundo dado es un 5 un 6, PpBq
PpA | Bq
12
36
13 . Entonces PpA Bq
6
36
1
6
y por lo tanto:
PpA Bq
1 3
1
PpAq.
PpBq
6 1
2
Observaciones.
(2.6)
a) Este concepto sigue siendo vlido cuando PpAq o PpBq son cero. De hecho, PpAq
0 A es independiente de B, @B P A con PpBq 0.
Demostracin. PpA Bq PpAq 0 PpA Bq 0 PpAq PpBq.
b) PpAq 0 A es independiente de , .
PpA Bq
PpBq
PpA Bq
PpBq
PpAq.
21
2 Proba b i l i da d
Corolario 2.14. Se considera el espacio de probabilidad p, A, Pq y la familia de sucesos
tAi uiPI Ai P A. De manera general, los sucesos Ai son independientes si se verifica:
P
iPF
Ai PpAi q
iPF
@F I.
(2.7)
[
`
P limp, ns P
p, ns PpRq 1.
n
n1
FP pq limx FP pxq 0.
Demostracin.
FP pq lim FP pxq lim FP pnq lim Ppp, nsq
x
n
n
\
`
P limp, ns P
p, ns Ppq 0.
n
22
n1
2 .4 Fu n c i o n e s d e d i s t r i b u c i n e n R
c) FP es continua a la derecha, es decir,
lim FP px ` hq FP pxq
h0`
@x P R.
\
P
p, x ` an s Ppp, xsq FP pxq.
n1
Definicin 2.17. Una funcin F : R r0, 1s es una funcin de distribucin si verifica que
a) F es montona creciente,
b) Fp`q limx Fpxq 1
&
pa q.
Observaciones.
a) F es continua en b si y slo si Pptbuq 0.
Demostracin. ( ) F es continua en b Pptbuq Fpbq Fpb q 0.
( ) Sea tAn unPN 0 tpx an , x ` an sunPN limn px an , x ` an s
T
n1 px an , x ` an s txu. Entonces
\
`
0 Pptxuq P
px an , x ` an s P lim px an , x ` an s
n1
23
2 Proba b i l i da d
lim Pppx an , x ` an sq lim pFP px ` an q FP px an qq
n
23/10/2012
i1
i1
1
1,
n`1
24
n1
Dn .
2.5 E j e rc i c i o s
2.5 Ejercicios
Hoja 2 Probabilidad
1.- Sean un espacio muestral y A P() una -algebra. Para A A fijado,
se define
AA
{B : B = A C con C A}.
an Pn (A),
n=1
donde an 0 y
sobre (, A).
n=1
25
2 Proba b i l i da d
= {A INi : A INp }.
26
2.5 E j e rc i c i o s
27
2 Proba b i l i da d
(24.a) Calcular la probabilidad de que en el primer lanzamiento la cara observada sea roja.
(24.b) Sabiendo que en los dos primeros lanzamientos hemos observado dos
caras rojas, cual es la probabilidad de que el dado lanzado sea el A?
25.- Se lanzan dos monedas, si el resultado es CC se extraen dos bolas de una
urna U1 que contiene 3 bolas rojas, 2 blancas y 4 negras. Si el resultado es CX
se extraen de U2 que contiene 2 rojas, 1 blanca y 5 negras, y si sale XX o XC
las bolas se extraen de U3 que contiene 6 rojas, 4 blancas y 6 negras. Si las dos
bolas extradas resultaron ser una blanca y otra roja, cual es la probabilidad
de que sean de U1 ? y de U2 ?
26.- Determinada batera antiaerea disparaba sobre un avion. Para derribar
el aparato bastaba con alcanzar ambos reactores o la cabina del piloto. Sean
p1 la probabilidad de alcanzar el primer reactor, p2 la probabilidad de alcanzar
el segundo y p3 la probabilidad de dar en la cabina del piloto. Se supone que
estos tres puntos sensibles eran tocados uno independientemente del otro. Determinar la probabilidad de que dicho avion hubiese sido derribado.
27.- El volumen diario de produccion de 3 plantas diferentes de una fabrica
es de 500 unidades en la primera, 1000 en la segunda y 2000 en la tercera. Sabiendo que el porcentaje de unidades defectuosas producidas en cada planta es
del 1%, 0.8% y 2% respectivamente, determinar la probabilidad de que
(27.a) Extrada una unidad al azar resulte ser no defectuosa.
(27.b) Habiendo sido extrada una unidad defectuosa, haya sido producida en
la primera planta.
28.- Se supone que n bolas se colocan al azar en n cajas numeradas. Calcular
las probabilidades de que:
(28.a) La caja 1 este vaca.
(28.b) Alguna caja este vaca.
nica vaca.
(28.c) La caja 1 sea la u
(28.d) Hay una u
nica caja vaca.
29.- En un colegio electoral de 42 electores, 15 han votado la lista A y el resto la
B. Se seleccionan 10 electores, calc
ulese la probabilidad de que, como maximo,
tres de ellos hayan votado la lista A.
30.- De una baraja espa
nola (40 cartas) repartida en su totalidad entre 4 jugadores, hallar la probabilidad de que haya como mnimo un jugador cuya mano
sean cartas todas del mismo palo.
28
2.5 E j e rc i c i o s
31.- Se tiene una moneda y una urna. Se lanza la moneda al aire. Si sale
cara, se introduce una bola negra en la urna; si sale cruz, la bola introducida
es de color blanco. El proceso se repite 10 veces. A continuacion, se extrae una
bola de la urna, se mira su color y se devuelve a la urna. El procedimiento se
repite 10 veces. Finalizado este se ha observado que las 10 bolas extradas eran
de color blanco. Cual es la probabilidad de que la urna contenga solo bolas
blancas?
32.- Dos de las cuatro valvulas de un aparato, que funcionan independientemente, han fallado. Calcular la probabilidad de que hayan sido la 1 y la 2, si
la probabilidad de que falle la valvula i es i/10.
29
X 1 pBq t P | Xpq P Bu P A.
(3.1)
Teorema 3.2 (Caracterizacin de una variable aleatoria). Se considera el espacio probabilizable p, Aq y la clase C2 de subconjuntos de BpRq con pC2 q BpRq, entonces X es
una variable aleatoria si y slo si X 1 pAq P A @A P C2 .
Demostracin. ( ) Si X una variable aleatoria, entonces X 1 pAq P A @A P BpRq. En
particular se verifica para cualquier B P C2 .
( ) Por el apartado (b) de la Proposicin 1.16 (Ecuacin 1.6) tenemos que
X 1 pC2 q A pX 1 pC2 qq A X 1 ppC2 qq A.
Ejemplo (1). tC, Fu, A t, , tCu, tFuu.
X: R
Xpq
&a 0
1
X pp, asq 0 a 1
%a 1
1 Aclarar
,
/
/
.
F
/
/
-
PA
&0
Xpq 1
%
2
ab
c
d
que todas las variables aleatorias son de la forma X : R, aunque se expresen de otra forma.
31
23/10/2012
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Veamos si A t, , ta, bu, tcu, tc, du, ta, b, cu, ta, b, du, tduu es lgebra sobre .
$
r0
&0 r 1 ta, bu
X 1 pp, rsq
1 r 2 ta, b, cu
%
r2
Nota. Para ser variable aleatoria, la aplicacin dada depende del lgebra en consideracin.
As en el ltimo ejemplo si tomamos A t, , ta, bu, tc, duu podemos observar que X
ya no es variable aleatoria ya que ta, b, cu R A.
Teorema 3.3. Sea X : pR, BpRqq pR, BpRqq continua, entonces X es variable aleatoria.
Demostracin. C tA | A es abierto en Ru lo que implica que pCq BpRq. Ahora, dado
A P C tenemos que X 1 pAq es un abierto de R y por lo tanto X 1 pAq P BpRq.
Teorema 3.4. Sean X : p, Aq pR, BpRq e Y : pR, BpRqq pR, BpRqq dos variables
aleatorias, entonces Y X es una variable aleatoria.
p, Aq
pR, BpRqq
(3.2)
pR, BpRqq
YX
Teorema 3.5. Sean X1 , ..., Xn , ... variables aleatorias, entonces estas funciones son tambin
variables aleatorias:
a) maxtX1 , X2 u,
Demostracin.
maxtX1 , X2 u1 p, bs t P | maxtX1 , X2 upq bu
t P | X1 pq b
X2 pq bu
t P | X1 pq bu t P | X2 pq bu
loooooooooooooon
X11 p, bs loooooooooooooooon
X21 pp, bsq P A
PA
b) mintX1 , X2 u,
@b.
PA
32
3.1 Va r i a b l e s a l e at o r i a s
c) suptXn u,
nPN
nPN
nPN
t P | Xn pq bu
n1
n1
d) inf tXn u,
@n P Nu
Xn1 p, bs P A.
loooooooooooooon
PA
nPN
nPN
nPN
nPN
e) lim sup Xn ,
n
rn
f) lim inf Xn ,
n
rn
rPQ
X1 pq r X2 pq ` c X1 pq r
&
X2 pq r c
rt P | X1 pq ru t P | X2 pq r cus A P A
y entonces
pX1 ` X2 q1 p, cq t P | X1 pq ` X2 pq cu
t P | X1 pq c X2 pqu P A
y por lo tanto X1 ` X2 es una variable aleatoria. Y una vez probado para la suma, la
multiplicacin viene implcita:
1
1
X1 X2 rX1 ` X2 s2 rX1 X2 s2 .
4
4
33
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
(3.3)
@B P BpRq.
n1
An
P X
Ai A j
n1
An
i j se tiene que
pX
n1
pAn qq
n1
i1
Ejemplo. Supongamos que en una urna hay 4 bolas blancas y 3 negras. Se sacan al azar
3 bolas sin reemplazamiento y definimos la variable aleatoria X n de bolas blancas
obtenidas
X
0 1 2 3
PX pX kq
Se pide hallar la funcin de distribucin asociada a la variable aleatoria PX , que ser:
PX pX kq
`4`
k
3
3k
`7
3
34
3.1 Va r i a b l e s a l e at o r i a s
Ejemplo.
1
4
1
1 1
PpX 1q FX p1q FX p1 q
2 4
4
1
PpX 2q FX p2q FX p2 q
2
PpX 0q FX p0q FX p0 q
1.5
1
0.5
2
PX pX kq
1{4
1{4
1{2
Pptxuq
verificando que
xk PD
xRD
Ppxq
xPD
@B P BpRq
$
&
PX pBq
Ppxq
xPB D
%
0
@B P BpRq y B D
BD
y la medida de probabilidad PX asocidada a una variable aleatoria X que toma los valores
txk u con probabilidades Pptxk uq. Adems la funcin de distribucin viene dada por
FX pxq Ppp, xsq Pptyuq,
y
y P p, xs D.
f X pxq dx 1,
(3.4)
FX pxq
f X ptq dt.
(3.5)
Observaciones.
35
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Rb
Ra
Rb
f X ptq dt a f X ptq dt
y adems
B P BpRq
PX pBq
f X ptq dt.
1 p
2
10
11
12
PpX kq
1{36
2{36
3{36
4{36
5{36
6{36
5{36
4{36
3{36
2{36
1{36
&5
Y Gpxq 3 x 3 x 12
%
0
resto
36
3.1 Va r i a b l e s a l e at o r i a s
06/11/2012
pR, BpRqq
pR, BpRqq
YgpXq
PX ptxuq
xPg1 pyq
@y P RY .
(3.7)
RY (soporte) son los puntos de probabilidad mayor que 0 y g1 pyq tx P R | gpxq yu.
Demostracin.
PpY yq Ppt P | Ypq yuq Ppt P | gpXqpq yuq
Ppt P | Xpq P tx : gpxq yuuq
PX ptx P R | gpxq yuq
PX ptxuq
xPg1 pyq
x0
x0
Demostracin.
PY ptyuq PpY yq Ppt P | Ypq yuq Ppt P | gpXqpq yuq
Ppt P | Xpq P tx : gpxq yuuq PX ptx P R | gpxq yuq
Z
f X pxq dx
M tx P R | gpxq yu
37
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Teorema 3.12. Sea X una variable aleatoria con funcin de densidad f X pxq y soporte en
el intervalo ra, bs. Sea g : R R estrictamente creciente y continua en ra, bs. Entonces
Y gpXq es variable aleatoria continua con funcin de distribucin
FY pyq FX pg1 pyqq
@y P RY ,
y su funcin de densidad es
$
1
&
f X pg1 pyqq y P rgpaq, gpbqs
1 pg1 pyqq
g
f Y pyq
%0
resto.
(3.8)
(3.9)
1
f Y pyq
.
FY pyq
FX pg1 pyqq f X pg1 pyqq 1 1
y
y
g pg pyqq
Por lo tanto si cogemos y gpaq entonces g1 pyq a y esto implica que FY pyq
FX pg1 pyqq 0 f Y pyq 0. Y, del mismo modo, al coger un y gpbq se tiene que
g1 pyq b FY pyq FX pg1 pyqq 0 f Y pyq 0. De manera que, efectivamente,
sa es la funcin de densidad y RY rgpaq, gpbqs.
Observaciones.
a) En las condiciones del teorema anterior, si g es estrictamente decreciente, la funcin
de distribucin viene dada por
FY pyq 1 FX pg1 pyqq
@y P RY
y la de densidad por
#
1
f pg1 pyqq y P rgpbq, gpaqs
g1 pg1 pyqq X
f Y pyq
0
resto
b) En el teorema anterior se puede sustituir el intervalo ra, bs por un intervalo abierto
o incluso acotado.
1
1
Ejemplo (Ejercicio 10). X, de manera que su funcin de densidad es f X pxq
,
1 ` x2
con x P R. Es conocida como distribucin de Cauchy (que se caracteriza por no tener
esperanza matemtica). Sea Y 3X ` 1, entonces tenemos que las funciones asociadas a
Y son
y 1
y 1
FY pyq PpY yq Pp3X ` 1 yq P X
FX
3
3
38
3.2 C a r ac t e r s t i c a s d e l a s va r i a b l e s a l e at o r i a s e s ta d s t i c a s
y 1 1
1
1
f Y pyq f X
3
3
3 1 ` y1 2
3
yPR
Teorema 3.13. Sea X una variable aleatoria continua con funcin de densidad f X pxq y
sea g : R R continua y g1 pxq 0 salvo en un nmero finito de puntos. Supongamos
que para cada nmero real y
a) existen exactamente npyq puntos x1 pyq, x2 pyq, ..., xn pyq tales que gpxk pyqq y,
g1 pxk pyqq 0 k 1, . . . , npyq, o bien
b) no existe ningn punto x P R X tal que gpxq y y g1 pxq 0. En este caso npyq 0
entonces Y es una variable aleatoria continua cuya funcin de densidad es de la forma
$
npyq
&
f pxk pyqq g1 pxk pyqq1 si npyq 0
hpyq k1
(3.10)
%0
si npyq 0
Ejemplo. Sea X una distribucin de Cauchy, igual que en el ejemplo anterior, y en este
?
?
caso Y X 2 . Entonces dado y P R D x1 pyq y, D x2 pyq y de tal forma que
gpx1 pyqq y
&
gpx2 pyqq y
& ?
& ?
y0
f Y pyq 2 y 1 ` y
y 1`y
%0
%0
y0
y0
y0
FX
nos preguntamos ahora si es posible tener informacin relevante sobre X mediante unos cuantos valores numricos. Es
decir, cmo caracterizarla.
39
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
(3.11)
xPR X
Observaciones.
i) Si R X tx1 , . . . , xn u, entonces ErXs siempre existe.
ii) Si R X tx1 , . . . , xn , . . .u entonces
ErXs
xn PX pX xn q.
n1
Se dice que la esperanza de la variable aleatoria X existe cuando la serie es absolutamente convergente, es decir
|xn | PX pX xn q .
n1
(
Ejercicio 3.1. Supongamos que R X p1qn1 n | n P N y que
PpX p1qn1 nq
6
2 n2
n 1, 2, . . .
Como vimos en anlisis, las series alternadas pueden ser convergentes pero no absolutamente convergentes (distintas reordenaciones de la serie pueden dar valores diferentes
para la suma), como es el caso:
ErXs
p1qn1 n 2 n2
n1
6
2
p1qn1
n
n1
Definicin 3.15 (Esperanza matemtica de una variable aleatoria). Sea X una variable
aleatoria continua con funcin de densidad f X . La esperanza ErXs de la variable aleatoria
X viene dada por la integral
Z
ErXs
x f X pxq dx
RX
(3.12)
Definicin 3.16. Sea X una variable aleatoria cuya funcin de distribucin es del tipo
mixto. Entonces se denomina ErXs a la expresin
ErXs
x PpX xq `
xPA
Z
AA
dFpxq
dx,
dx
(3.13)
40
3.2 C a r ac t e r s t i c a s d e l a s va r i a b l e s a l e at o r i a s e s ta d s t i c a s
Proposicin 3.17. Sea X una variable aleatoria con funcin de distribucin FX y sea
g : R R. La esperanza de Y gpXq viene dada por
ErYs
gpxq PX pX xq
(X discreta)
(3.14)
gpxq f X pxq dx
(X continua)
(3.15)
xPR X
ErYs
RX
Demostracin.
ErYs
yPRY
y PY pY yq
yPRY
PX pX xq
xPg1 pyq
yPRY xPR X ,
ygpxq
gpxq PX pX xq
xPR X
gpxq PX pX xq.
Anlogo para el caso continuo, aunque la demostracin para dicho caso requiere que sea
estrictamente creciente y continua.
Observaciones.
a) Se dice que X es degenerada en k si PpX kq 1 o, lo que es lo mismo, si la
esperanza es ErXs k PpX xq k.
b) Si a x b
a PpX xi q
i1
i1
i1
xi PpX xi q b PpX xi q
a ErXs b.
gpxq f X pxq dx ` b
Definicin 3.18 (Momento respecto del origen). Se denomina momento de orden k respecto
del origen (o centrado en el origen) a la esperanza de la variable aleatoria gpXq X k
$
xk PpX xq si X es discreta
&
xPR X
(3.16)
k E X k Z
si X es continua
% x k f X pxq dx
RX
41
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Definicin 3.19 (Mediana). Dada una variable aleatoria X la mediana de X se define como
el valor Md que verifica
FX pMd q PX pX Md q
1
PpX Md q.
2
(3.17)
Observacin.
1
Md
1.5
1
0.5
1
Para evitar esto ltimo, se escoge como mediana el primer valor de la variable aleatoria
(en orden creciente) que satisface que FX pMd q 1{2.
Ejemplo. N de caras obtenidas al lanzar dos monedas al aire. Calcular la esperanza
y la mediana. Tenemos que PpX 0q 14 , PpX 1q 12 , PpX 2q 41 , as que
calculamos
$
0 si x 0
&1{4 si 0 x 1
FX pxq PpX xq
3{4 si 1 x 2
%
1 si x 2
y con esto
ErXs 0
12/11/2012
1
1
1
`1 `2 1
4
2
4
&
Md 1.
Definicin 3.20. Dada una variable aleatoria X la mediana Md es el valor que verifica
FX pMd q 1{2 y FX pMd q 1{2. (Al menos hay probabilidad 1{2 tanto en p, Md q como
en rMd , q).
Proposicin 3.21. Si X es una variable aleatoria con distribucin simtrica respecto del
valor c, entonces existe ErXs y su valor es igual a c.
42
3 .3 M e d i da s d e d i s p e r s i n d e u na va r i a b l e a l e at o r i a
Demostracin. X continua. Vamos a demostrarlo primero en el supuesto de c 0 por lo
que Ppxq Ppxq.
Z
ErXs
x f X pxq dx
Z
0
x f X pxq dx `
Z0
x f X pxq dx
x f X pxq dx
Z
0
x f X pxq dx 0
Zc
f pxq dx
f py ` cq dy
Z0
yxc
f pc yq dy
Zc
f pyq p1q dy
1
2
Z
c
f pyq dy
1
2
Definicin 3.23 (Moda). Se denomida moda (Mo ) de una variable aleatoria X al valor de
la variable que hace mxima la funcin probabilidad en caso de ser X discreta y el valor
que hace mxima la funcin de densidad en caso de ser X continua.
Ejemplo.
X Vp0, 1q
f X pxq
x P p0, 1q
resto
43
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Definicin 3.24 (Varianza). Sea X una variable aleatoria, con E X 2 . Se denomina
varianza de la variable aleatoria X a la expresin
2 VarrXs E pX ErXsq2 .
(3.18)
Definicin
a 3.25 (Desviacin tpica). Se denomina desviacin tpica de la variable aleatoria
X a VarrXs.
Proposicin 3.26 (Propiedades).
a) VarrXs 0 D c P R,
PX pX cq 1.
Demostracin.
( ) Por hiptesis ErXs c PX pX cq c y de esta manera
2
2
E X c PX pX cq c2 . Ahora, por la propia definicin de varianza VarrXs
E X 2 ErXs2 c2 c2 0.
px ErXsq2 PX pX cq
x ErXs,
xPR X
a2 E pX ErXsq2 a2 VarrXs.
c) VarrXs E X 2 pErXsq2 .
Demostracin.
px ErXsqk PX pX xq X discreta
&
xPR X
k E pX ErXsqk Z
(3.19)
px ErXsq f X pxq dx
X continua
%
RX
44
3 .3 M e d i da s d e d i s p e r s i n d e u na va r i a b l e a l e at o r i a
Proposicin 3.28. Los momentos de orden k respecto de la media, k , y los momentos
respecto del origen, k , verifican:
n
n
n ErX n s
nk k
(3.20)
k
k0
n
n
n
nk
n E pX ErXsq p1q
nk k
(3.21)
k
k0
Demostracin.
n ErX s E ppX q ` qn E
n
n
k
nk
k px q
k0
n
nk E px qk
k
k0
n
n
nk n
k nk
nk n
x
p1q
nk E x k
n Erpx q s E p1q
k
k
k0
k0
n
ErgpXqs
k
k 0.
(3.22)
ErgpXqs
Z
RX
gpxq f X pxq dx
gpxq f X pxq k
x | gpxqk
f X pxq dx k P gpxq k
x | gpxqk
Teorema 3.30 (Desigualdad de Tchebysheff). Sea X una variable aleatoria con ErXs
y VarrXs . Entonces
@ 0
Pp| X ErXs| q
1
.
2
(3.23)
Demostracin.
E pX ErXsq2
2
1
Pp| X ErXs| q PppX ErXsq q
2
2
2
2
2
(3.22)
2
2 2
45
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Ejercicio 3.2. El dueo de un bar estima que durante el fin de semana los clientes piden
por trmino medio 300 bocadillos variados, con una desviacin tpica de 20 bocadillos.
Qu probabilidad hay de que los clientes le pidan en un fin de semana por lo menos
330?
30
Solucin. PpX 330q PpX 300 30q P X 300
20
20
4
30
1
P |X 300|
20 30 2 .
20
9
p 20 q
Cuntos panecillos debe comprar el dueo para el fin de semana y as poder satisfacer
a los clientes con una probabilidad de por lo menos 0.75? Se deja como ejercicio.
&
xPR X
@s P R
MX psq E esX Z
(3.24)
sx
f
pxq
dx
X
continua.
%
X
RX
esn PpX nq
n1
esn
n1
6
.
2 n2
Entonces
6
6
2
2 n2
esn
.
n2
n1
e
esn
Ahora, si s 0 la serie diverge. Y si s 0, entonces 2 2 converge, y por lo tanto el
n
n
dominio de MX es p, 0s.
Ejercicio 3.3. Calcular MX de la distribucin cuya funcin de densidad es
#
1
2x
si x 0
2 e
f X pxq
0
resto
Observacin. Si X MX psq, y tenemos que Y aX ` b, la funcin generatriz de momentos
de Y, MY psq, es de la forma
Teorema 3.32. Sea X una variable aleatoria con funcin generatriz de momentos MX psq.
Si D MX psq @s P ps0 , s0 q entonces existen las derivadas de cualquier orden de MX psq en
s 0 y se verifica que
pkq
MX p0q
46
dk
M
p0q
E Xk
X
k
ds
k 1, 2, . . .
(3.25)
3 .3 M e d i da s d e d i s p e r s i n d e u na va r i a b l e a l e at o r i a
Demostracin. Se tiene que
$
esx PpX xq
&xPR
X
MX psq Z
son absolutamente convergentes para s P ps0 , s0 q
esx f X pxq dx
%
RX
y adems g1 psq esx PpX xq y g2 psq esx f X pxq son indefinidamente derivables (de
clase C ). Como @s P ps0 , s0 q
M1X psq
d
d sx
pe PpX xqq x esx PpX xq
esx PpX xq
ds xPRX
ds
xPR X
xPR X
esto implica que M1X p0q xPRX x PpX xq ErXs. En segundo lugar, de manera
pkq
anloga se prueba que MX E X k k ,
M2X p0q 2
s `
2!
pkq
MX p0q k
s 1 ` k sk
k!
k!
k1
k0
pkq
&
xPR X
X ptq E eitX Z
(3.26)
X continua.
% eitx f X pxq dx
RX
@k.
Teorema 3.34. Sea ptq la funcin caracterstica asociada a una variable aleatoria continua.
Entonces
Z
1
f pxq
eitx ptq dt.
(3.27)
2 R
47
15/11/2012
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Ejemplo (Juego del parchs). Se tiene que ErXs
mtodo para hallar su derivada:
sppq
0p1
pk
k0
1
,
1 p
1
6
k0 k
` 5 k1
6
, y conocemos un
k pk1 p1 pq2
s1 ppq
k1
1
6
p1 56 q
mk
.
M
CG
x
0
pxq
dx.
M
x1
...
xk
...
PpX xk q
p1
...
pk
...
x1
x2
x3
48
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
de manera que la probabilidad de fracasar es PX pt0uq PpX 1 p0qq PpFq 1 p y la
de tener xito PX pt1uq PpX 1 p1qq PpEq p.
La distribucin aparenta como en la figura
de la derecha, y, de un modo ms claro, en
esta tabla estn los valores que toma
X
1 p
PpX xk q 1 p
2 VarrXs E X 2 ErXs2 2 21 02 p1 pq ` 12 p p2 p p1 pq,
la funcin caracterstica
i E Fu, y A
n
pk qnk
k
q 1 p.
49
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
La funcin de distribucin
&
n
pk qnk
FX pxq
0xn
%
1
x0
0kn
xn
su funcin caracterstica
X ptq E eitx
eitk PpX kq
k0
eitk
k0
n
pk qnk ,
k
1
1 1
X p0q n pp ei0 ` qqn1 p ei0 i n p,
i
i
nk pk n pn 1q pn pk 1qq p1 pqn
nk k!
p1 pqk
1
k1
1
pnpqk
1 1
1
p1 pqn
k
k!
n
n
p1
pq
loooooooooooooooooooooooooooooooooooon loooooooooon
1
n
n
50
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
y, viendo a qu converge p1 pqn , recordando que np ,
lim p1 pqn lim
n
p0
n
p0
1
1 ` ` 1
p
llegamos a que
PpX kq
np
n
p0
1{p ffpn
k
e
k!
Definicin 3.35 (Distribucin de Poisson). Se dice que X tene una distribucin de Poisson
de parmetro si su funcin de probabilidad es de la forma
PpX kq
k
e
k!
k 0, 1, 2, . . .
PpX kq
k0
k
k
e
k!
k! e e 1.
k0
k0
PpX kq
kx
kx
k
e
k!
k PpX kq
k0
k0
k
e
k!
k1
pk 1q! e e ,
k1
`
k
k
e e k2 k ` k
k!
k!
k0
k1
k
k
e k pk 1q
` k
k! k0
k!
k0
k2
51
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
e
k
k
k
pk
1q
`
k
k!
k! k1
k2
k2
k1
e
`
pk 2q!
pk 1q!
k0
k0
`
e 2 e ` e 2 ` ,
la varianza
VarrXs 2 2 E X 2 ErXs2 2 ` 2 ,
la funcin caracterstica
X ptq E eitx
e
eitk PpX kq
k0
p eit qk
k!
k0
eitk
k0
it
it 1q
e e e e pe
k
e
k!
MX psq e pe 1q .
k1
p qk1 p qk1 p
k1
k P N 1, 2, . . . . Y como
1
p
1
1q
p
sabemos que es una distribucin de probabilidad. Veamos ahora cules son sus propiedades:
La funcin caracterstica
X ptq E eitX
52
q eit
eitk PpX kq
k1
p eit
q 1 q eit
1 q eit
eitk p qk1
k1
p ` it k
e q
q k1
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
k
para calcular la media utilizamos que sppq
k0 p1 pq
k1 p1q
k0 k p1 pq
media queda
pq 1
p2
1 ErXs
k1
y, por lo tanto,
k0 k p1 pq
ErXs
k qk1 p p k qk1
k1
y como
1
1q
pq
k1
1
,
p2
1
p
s1 ppq
de manera que la
p
1
,
p2
p
1
p
E X2
k2 qk1 p
k1
p 2 k
k q
q k1
xq
1xp
p qpq ` 1q pq q ` 1
q
p3
p2
la varianza queda
1
q
pq q ` 1
2 VarrXs 2 E X 2 ErXs2
2 2.
p2
p
p
n`k1
pn qk
k
k 0, 1, 2, . . .
Observaciones.
a) Se denomina nmero combinatorio generalizado sobre k al valor
p 1q p 2q p k ` 1q
k!
k
P R,
k P Z`
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
@ P R, | x | 1 puede expresarse de la forma
p1 ` xq
xk .
k
k0
b) La funcin f pxq p1 ` xq ,
p 1q p k 1q
p1q p1q p ` 1q
k!
k!
k
k
`k`1
p1q p ` 1q p ` k ` 1q
k
p1q
k!
k
Efectivamente, se trata de una funcin de probabilidad:
n`k`1
n
n
k
k
p p1 pq p1q
pn qk
PpX kq
k
k
k0
k0
k0
n
pn
pqqk pn p1 qqn n 1.
pn
p
k
k0
Veamos ahora algunas de sus propiedades:
La funcin caracterstica
X ptq E eitX
la media
n`k1
n`k1
n
k
n
p q p
pq eit qk
e
k
k
k0
k0
n
n
pn p1qk
pq eit qk pn
pq eit qk
k
k
k0
k0
n
p
pn p1 q eit qn
,
1 q eit
itk
q
1 ErXs n ,
p
y la varianza
1
2 2 VarrXs 2 n q.
p
54
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
Donde tn-uplas obtenidas sin reemplazamientou. Y la probabilidad viene dada
por
`D` ND
PpX kq
` Nnk
.
n
` ` b `a`b
n y
Observacin. Para facilitarnos los clculos ms tarde, veamos que nj0 aj nj
a
b
a`b
que se cumple que p1 ` xq p1 ` xq p1 ` xq .En primer lugar
n
a
b
a
b
a
b
a`b
j n j 0 n `` a n a n ,
j0
y en segundo
lugar, apoyndonos en la observacin que hemos hecho antes, p1 ` tqn
`
n
nj0 j t j , de manera que
a
a
a
a a
b
b
b b
j
`
x``
x ``
x
`
x``
x
0
1
j
a
0
1
b
a`b
a`b
xj
j
j0
D
ND
1
PpX kq `N k N k 1.
k
k
n
Y algunas propiedades:
La media
1 ErXs
el momento de orden dos
D
n,
N
n pn 1q
Dn
2 E X 2 D pD 1q
`
,
N pN 1q
N
y la varianza
2 VarrXs 2 n
D ND Nn
.
N
N
N1
`D` ND
k
` Nnk
` pN ` Nq
k
nk
`N
n
pN!
k! ppNkq!
Nq!
pnkq! rNqpn`kqs!
N!
n! pNnq!
pn kq! k! N pN 1q pN pn 1qq
55
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
n ppNqk pNqqnk
n
pk qnk PpY kq
n
N
k
N
k
y, de esta manera, Y sigue una distribucin binomial Bpn, pq.
Ejemplo. En una concurrida interseccin de trfico, la probabilidad de que un automvil
tenga un accidente es muy pequeo. Sin embargo, entre las 16:00 y las 18:00 de la tarde
un gran nmero de automviles pasa por la interseccin. Cul es la probabilidad de
que ocurran dos o ms accidentes?
Solucin. Si suponemos que P es la misma para todos los conductores y que el que un
automvil tenga un accidente no depende del resto, la variable aleatoria es X n de
accidentes y queremos calcular PpX 2q
PpX 2q 1 PpX 1q 1 PpX 0q PpX 1q,
que, al ser muy pequea, podemos aproximar la binomial por una Poisson de parmetro
0.1, de manera que quedara X Pp0.1q.
1
ba
f X ptq dt
FX pxq PpX Xq
&0
xa
ba
%1
FX pxq
xa
axb
bx
1 ErXs
a
56
b
1
1
x2
pb aq pb ` aq
b`a
x
dx
,
ba
ba 2 a
2 pb aq
2
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
el momento de orden dos
b
2 Z 2
2 E X x
a
la varianza
b
1
1
x3
1
pb3 a3 q
dx
ba
ba 3 a
ba
3
1
pb2 ` a2 ` a bq,
3
pb ` aq2
pb aq2
1
,
2 VarrXs E X 2 ErXs2 pb2 ` a2 ` a bq
3
4
12
la funcin caracterstica
b
b
itX Z itx
1
1
eitx
eitb eita
X ptq E e
e
dx
,
ba
b a it a
itpb aq
a
esb esa
.
s pb aq
ptq
x t1 ex dx.
Demostracin. y ax
x t1 eax dx
Z
y t1
0
y 1
1
ptq.
at
1
dy t
a
a
Z
0
yt1 ey dy
1
ptq.
at
57
26/11/2012
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
c) Como consecuencia del punto anterior, si n P N, entonces pn ` 1q n!
Demostracin. pnq pn 1q pn 1q . . . pn 1q pn 2q p1q pn 1q!
` ?
d) 12 .
Definicin 3.38 (Distribucin normal). Se dice que una variable aleatoria X sigue una
distribucin normal de parmetros P R y 0, es decir, X Np, q, si su funcin de
densidad es de la forma
1 x 2
1
f pxq ?
e 2 p q
2
x P R.
1
1 x 2
?
f pxq dx
dx
exp
2
R
R 2
Z
z2
1
?
e 2 dz
2 R
que, por ser simtrica respecto del eje y
Z
2
?
2
2
?
2
2
?
2
z
dx dz
?z t
2
dz
?
dt
2
z2
e 2 dz
0
Z
t2
2
2 dt ?
y 12
t2 y
?
dt 21 p yq1 dy
et dt
0
?
1
1
dy ? p 2 q ? 1
Y su funcin de distribucin es
1
Fpxq ?
2
Zx
1
1
e 2 p
t 2
q dt
0.5
58
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
La media
ErXs
x f pxq dx
1 x 2
1
x ? e 2 p q dx
2
R
z
dx dz
1 2
1
pz ` q ? e 2 z dz
2
R
?
Z
Z
1 2
1 2
2
z
z
2
2
?
dz ` ?
dz 0 ` ?
,
ze
e
2 R
2 R
2
el momento de orden dos
Z
2 Z 2
1 x 2
1
2 E X
x f pxq dx
x2 ? e 2 p q dx
2
R
R
Z
1 2
1
?
pr ` q2 e 2 r dr
2 R
Z
Z
Z
1 2
1 2
1 2
1 2
?
r2 e 2 r dr ` 2 e 2 r dr ` 2 re 2 r dr
2
R
R
R
Z
2 Z
1 2
1 2
2
?
r2 e 2 r dr ` ?
e 2 r dr ` 0
2 R
2 R
Z
2
1
?
2heh ? dh ` 2
2 R
2h
Z
Z
1
2
1
2
?
heh ? dh ` 2 ?
h 2 eh dh ` 2
R
R
h
2
? 2
Z
0
r
dx dr
r2
2 h
dr ?1 dr
2h
`
1
2
h 2 eh dh ` 2 ? 2 23 ` 2
`1
2
2
2
2 ` ` ,
y la funcin caracterstica
itX Z itx 1
1 x 2
? e 2 p q dx
X ptq E e
e
2
R
Z
Z
1 2
eit
itz it ?1
12 z2
?
e
dz
eitz 2 z dz
e e
2
2 R
R
Z
Z
1
1 2 2
1
2
2
eit
1
?
e 2 pzitq dz ?
eit 2 t
e 2 pzitq dz
2 R
2
R
Z
2
it 21 t2 2 ?1
V2
it 12 t2 2
e
e
dV e
2 R
z
dx dz
zitV
1 2
59
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
i t 1 2
t2
1 2
a
a
P Np0, 1q
Definicin 3.39 (Distribucin gamma). Se dice que la variable aleatoria continua X sigue
una distribucin gamma de parmetros p 0 y a 0, y se expresa X pp, aq, si su
funcin de densidad es de la forma
$ p
& a eax x p1 x 0
f pxq ppq
%0
resto
Veamos primero que es una funcin de densidad:
Z
Z
R
f pxq dx
0
a p ax p1
dx
e x
ppq
ap
ppq
y p1 1
a
ap
1 1
dy
p1
a
ppq a
a
ppq
hkkkkkkkkkkkkkkkkj
axy
a dxdy
ey y p1 dy 1.
itX
X ptq E e
ap
ppq
ap
ppq
itx
f pxq dx
eitx
a p ax p1
e x
dx
ppq
x p1 expaitq dx
paitqxy
Z
0
y p1 y dy
e
a it
a it
ap
1
ppq pa itq p
60
Z
0
y p1 ey dy
a p
it p
1
,
a it
a
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
la esperanza
Z
ErXs
x f pxq dx
0
ap
ppq
Z
0
a p ax p1
ap
x
e x
dx
ppq
ppq
y p 1 y
1 1
e dy
a a
a ppq
E X
y la varianza
x f pxq dx
ap
ppq
Z
0
x p eax dx
axy
x p`1 eax dx
axy
y p ey dy
1 1
p
p ppq ,
a ppq
a
el momento de orden dos
a p ax p`1
ap
e x
dx
ppq
ppq
Z
0
y p`1 y dy
1 1
p pp ` 1q
e
,
2
pp ` 2q
a
a
a ppq
a2
VarrXs 2 2 2 21
p
p2 ` p p2
2 2.
a2
a
a
Definicin 3.40 (Distribucin exponencial). Se dice que una variable aleatoria continua
X sigue una distribucin exponencial de parmetro 0 si su funcin de densidad es de
la forma
#
ex x 0
f pxq
y se escribe: Exppq pa , p 1q,
0
resto
que, por ser un caso particular de la funcin gamma, se tiene que la esperanza es
`
1
ErXs 1 , la varianza VarrXs 12 , y la funcin caracterstica X ptq 1 it
.
Z1
0
x p1 p1 xqq1 dx.
ppq pqq
.
pp ` qq
61
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Demostracin. Una demostracin larga y tediosa...
Z
ppq pqq
0
Z
0
Z
t p1
e t
et t p1
t p1
e t
0
Z Z
dt
Z
Z
0
Z0
0
ey yq1 dy
y q1
e y
dy dt
tx q1 q1
ytx
dyt dx
t dx dt
etpx`1q t p`q1 x q1 dx dt
x
e
t
dt dx
0
Z0
Z
y p`q1 dy
q1
y
dx
x
e
1`x
1`x
0
0
Z
Z
x q1
y p`q1
e y
dy dx
p`q
0 p1 ` xq
0
0 0
Z
Z
q1
tpx`1q p`q1
tp1`xqy
p1`xq dtdy
x q1
pp ` qq dx
p1 ` xq p`q
pp ` qq
pp ` qq
Z1
0
Z1
0
yq
y ` 1 p
1y 1y
x
1`x y
1
dy
p1 yq2
yq1 p1 yq p1 dy pp ` qq pp, qq
b)
ppq pqq
pp ` qq
`1
` 1 2
1
,
2 2
2 .
Demostracin.
`1
1
2, 2
Z1
Observacin.
62
`1
1
2, 2
Z1
21
p1 xq
2y dy
a
y 1 y2
Z1
dx
? ?
x 1x
0
1
2 arc sen y
12
dx
p1{2q p1{2q
p1{2q
p1q
b `
?
12 , 21
?
y x
3 .6 Ta b l a s Bi n o m i a l , Po i s s o n y No r m a l
Definicin 3.43 (Distribucin beta). Se dice que la variable aleatoria X sigue una distribuin beta de parmetros p 0 y q 0 si su funcin de densidad es de la forma
$
%0
resto
Veamos sus propiedades:
La media
Z
1
ErXs x f pxq dx
pp,
qq
R
1
pp, qq
Z1
x x p1 p1 xqq1 dx
Z1
pp`1q1
p1 xq
q1
pp ` 1, qq
dx
pp, qq
pp`1qpqq
pp`q`1q
ppqpqq
pp`qq
p ppq pp ` qq
p
,
ppq pp ` qq pp ` qq
p`q
el momento de orden dos
1
Z
2 Z 2
2 E X x f pxq dx x2
R
pp ` 2, qq
pp, qq
1
x p1 p1 xqq1 dx
pp, qq
0
pp`2q
pp`q`2q
ppq
pp`qq
y la varianza
2 VarrXs 2 2 21
pp ` 1q p
,
pp ` q ` 1q pp ` qq
p 2
p pp ` 1q
pq
.
2
pp ` q ` 1q pp ` qq
p`q
pp ` qq pp ` q ` 1q
63
Tabla 1
Distribucin Binomial (Bpn, pq)
n k nk
Pp kq
p q
k
p
n
0.01
0.05
0.10
0.15
0.20
0.25
0.30
1{3
0.35
0.40
0.45
0.49
0.50
0
1
2
0.9801
0.0198
0.0001
0.9025
0.0950
0.0025
0.8100
0.1800
0.0100
0.7225
0.2550
0.0225
0.6400
0.3200
0.0400
0.5625
0.3750
0.0625
0.4900
0.4200
0.0900
0.4444
0.4444
0.1111
0.4225
0.4550
0.1225
0.3600
0.4800
0.1600
0.3025
0.4950
0.2025
0.2601
0.4998
0.2401
0.2500
0.5000
0.2500
0
1
2
3
0.9703
0.0294
0.0003
0.8574
0.1354
0.0071
0.0001
0.7290
0.2430
0.0270
0.0010
0.6141
0.3251
0.0574
0.0034
0.5120
0.3840
0.0960
0.0080
0.4219
0.4219
0.1406
0.0156
0.3430
0.4410
0.1890
0.0270
0.2963
0.4444
0.2222
0.0370
0.2746
0.4436
0.2389
0.0429
0.2160
0.4320
0.2880
0.0640
0.1664
0.4084
0.3341
0.0911
0.1326
0.3823
0.3674
0.1177
0.1250
0.3750
0.3750
0.1250
0
1
2
3
4
0.9606
0.0388
0.0006
0.8145
0.1715
0.0135
0.0005
0.6561
0.2916
0.0486
0.0036
0.0001
0.5220
0.3685
0.0975
0.0115
0.0005
0.4096
0.4096
0.1536
0.0256
0.0016
0.3164
0.4219
0.2109
0.0469
0.0039
0.2401
0.4116
0.2646
0.0756
0.0081
0.1975
0.3951
0.2963
0.0988
0.0123
0.1785
0.3845
0.3105
0.1115
0.0150
0.1296
0.3456
0.3456
0.1536
0.0256
0.0915
0.2995
0.3675
0.2005
0.0410
0.0677
0.2600
0.3747
0.2400
0.0577
0.0625
0.2500
0.3750
0.2500
0.0625
0
1
2
3
4
5
0.9510
0.0480
0.0010
0.7738
0.2036
0.0214
0.0011
0.5905
0.3281
0.0729
0.0081
0.0004
0.4437
0.3915
0.1382
0.0244
0.0022
0.0001
0.3277
0.4096
0.2048
0.0512
0.0064
0.0003
0.2373
0.3955
0.2637
0.0879
0.0147
0.0010
0.1681
0.3602
0.3087
0.1323
0.0284
0.0024
0.1317
0.3292
0.3292
0.1646
0.0412
0.0041
0.1160
0.3124
0.3364
0.1812
0.0488
0.0053
0.0778
0.2592
0.3456
0.2304
0.0768
0.0102
0.0503
0.2059
0.3369
0.2757
0.1128
0.0185
0.0345
0.1657
0.3185
0.3060
0.1470
0.0282
0.0313
0.1563
0.3125
0.3125
0.1563
0.0313
0
1
2
3
4
5
6
0.9415
0.0571
0.0014
0.7351
0.2321
0.0306
0.0021
0.0001
0.5315
0.3543
0.0984
0.0146
0.0012
0.0001
0.3772
0.3993
0.1762
0.0415
0.0055
0.0004
0.2622
0.3932
0.2458
0.0819
0.0154
0.0015
0.0001
0.1780
0.3560
0.2966
0.1318
0.0330
0.0044
0.0002
0.1177
0.3025
0.3241
0.1852
0.0595
0.0102
0.0007
0.0878
0.2634
0.3292
0.2195
0.0823
0.0165
0.0014
0.0754
0.2437
0.3280
0.2355
0.0951
0.0205
0.0018
0.0467
0.1866
0.3110
0.2765
0.1382
0.0369
0.0041
0.0277
0.1359
0.2780
0.3032
0.1861
0.0609
0.0083
0.0176
0.1014
0.2437
0.3121
0.2249
0.0864
0.0138
0.0156
0.0938
0.2344
0.3125
0.2344
0.0938
0.0156
0
1
2
3
4
5
6
7
0.9321
0.0659
0.0020
0.6983
0.2573
0.0406
0.0036
0.0002
0.4783
0.3720
0.1240
0.0230
0.0026
0.0002
0.3206
0.3960
0.2097
0.0617
0.0109
0.0012
0.0001
0.2097
0.3670
0.2753
0.1147
0.0287
0.0043
0.0004
0.1335
0.3115
0.3115
0.1730
0.0577
0.0115
0.0013
0.0001
0.0824
0.2471
0.3177
0.2269
0.0972
0.0250
0.0036
0.0002
0.0585
0.2049
0.3073
0.2561
0.1280
0.0384
0.0064
0.0005
0.0490
0.1848
0.2985
0.2679
0.1442
0.0466
0.0084
0.0006
0.0280
0.1306
0.2613
0.2903
0.1935
0.0774
0.0172
0.0016
0.0152
0.0872
0.2140
0.2919
0.2388
0.1172
0.0320
0.0037
0.0090
0.0604
0.1740
0.2786
0.2677
0.1543
0.0494
0.0068
0.0078
0.0547
0.1641
0.2734
0.2734
0.1641
0.0547
0.0078
0
1
2
3
4
5
6
7
8
0.9227
0.0746
0.0026
0.0001
0.6634
0.2793
0.0515
0.0054
0.0004
0.4305
0.3826
0.1488
0.0331
0.0046
0.0004
0.2725
0.3847
0.2376
0.0839
0.0185
0.0026
0.0002
0.1678
0.3355
0.2936
0.1468
0.0459
0.0092
0.0011
0.0001
0.1001
0.2670
0.3115
0.2076
0.0865
0.0231
0.0039
0.0004
0.0577
0.1977
0.2965
0.2541
0.1361
0.0467
0.0100
0.0012
0.0001
0.0390
0.1561
0.2731
0.2731
0.1707
0.0683
0.0171
0.0024
0.0002
0.0319
0.1373
0.2587
0.2786
0.1875
0.0808
0.0217
0.0033
0.0002
0.0168
0.0896
0.2090
0.2787
0.2322
0.1239
0.0413
0.0079
0.0007
0.0084
0.0548
0.1570
0.2568
0.2627
0.1719
0.0703
0.0165
0.0017
0.0046
0.0352
0.1183
0.2273
0.2730
0.2098
0.1008
0.0277
0.0033
0.0039
0.0313
0.1094
0.2188
0.2734
0.2188
0.1094
0.0313
0.0039
0
1
2
3
4
5
6
7
8
9
0.9135
0.0831
0.0034
0.0001
0.6303
0.2985
0.0629
0.0077
0.0006
0.3874
0.3874
0.1722
0.0447
0.0075
0.0008
0.0001
0.2316
0.3679
0.2597
0.1069
0.0283
0.0050
0.0006
0.0001
0.1342
0.3020
0.3020
0.1762
0.0661
0.0165
0.0028
0.0003
0.0751
0.2253
0.3003
0.2336
0.1168
0.0389
0.0087
0.0012
0.0001
0.0404
0.1557
0.2668
0.2668
0.1715
0.0735
0.0210
0.0039
0.0004
0.0260
0.1171
0.2341
0.2731
0.2049
0.1024
0.0342
0.0073
0.0009
0.0001
0.0207
0.1004
0.2162
0.2716
0.2194
0.1181
0.0424
0.0098
0.0013
0.0001
0.0101
0.0605
0.1612
0.2508
0.2508
0.1672
0.0743
0.0212
0.0035
0.0003
0.0046
0.0339
0.1110
0.2119
0.2600
0.2128
0.1160
0.0407
0.0083
0.0008
0.0023
0.0202
0.0776
0.1739
0.2506
0.2408
0.1542
0.0635
0.0153
0.0016
0.0020
0.0176
0.0703
0.1641
0.2461
0.2461
0.1641
0.0703
0.0176
0.0020
10
0
1
2
3
4
5
6
7
8
9
10
0.9044
0.0914
0.0042
0.0001
0.5987
0.3151
0.0746
0.0105
0.0010
0.0001
0.3487
0.3874
0.1937
0.0574
0.0112
0.0015
0.0001
0.1969
0.3474
0.2759
0.1298
0.0401
0.0085
0.0013
0.0001
0.1074
0.2684
0.3020
0.2013
0.0881
0.0264
0.0055
0.0008
0.0001
0.0563
0.1877
0.2816
0.2503
0.1460
0.0584
0.0162
0.0031
0.0004
0.0282
0.1211
0.2335
0.2668
0.2001
0.1029
0.0368
0.0090
0.0015
0.0001
0.0174
0.0867
0.1951
0.2601
0.2276
0.1366
0.0569
0.0163
0.0031
0.0003
0.0135
0.0725
0.1757
0.2522
0.2377
0.1536
0.0689
0.0212
0.0043
0.0005
0.0060
0.0403
0.1209
0.2150
0.2508
0.2007
0.1115
0.0425
0.0106
0.0016
0.0001
0.0025
0.0207
0.0763
0.1665
0.2384
0.2340
0.1596
0.0746
0.0229
0.0042
0.0003
0.0012
0.0114
0.0495
0.1267
0.2130
0.2456
0.1966
0.1080
0.0389
0.0083
0.0008
0.0010
0.0098
0.0440
0.1172
0.2051
0.2461
0.2051
0.1172
0.0440
0.0098
0.0010
0.01
0.05
0.10
0.15
0.20
0.25
0.30
1{3
0.35
0.40
0.45
0.49
0.50
Tabla 2
Distribucin de Poisson (Ppq)
Pp kq
k
e
k!
0.1
0.2
0.3
0.4
0.5
0.9050
0.8189
0.7410
0.6705
0.6066
0.0905
0.1638
0.2223
0.2682
0.3033
0.0045
0.0164
0.0333
0.0536
0.0758
0.0002
0.0011
0.0033
0.0072
0.0126
0.0001
0.0002
0.0007
0.0016
0.0001
0.0002
0.6
0.7
0.8
0.9
1.0
0.5489
0.4967
0.4494
0.4067
0.3679
0.3294
0.3477
0.3595
0.3660
0.3679
0.0988
0.1217
0.1438
0.1647
0.1839
0.0198
0.0284
0.0384
0.0494
0.0613
0.0030
0.0050
0.0077
0.0111
0.0153
1.1
1.2
1.3
1.4
1.5
0.3330
0.3013
0.2726
0.2467
0.2231
0.3663
0.3615
0.3543
0.3453
0.3347
0.2015
0.2169
0.2303
0.2417
0.2510
0.0739
0.0868
0.0998
0.1128
0.1255
1.6
1.7
1.8
1.9
2.0
0.2019
0.1827
0.1653
0.1495
0.1353
0.3231
0.3107
0.2976
0.2841
0.2707
0.2585
0.2641
0.2678
0.2699
0.2707
2.2
2.4
2.6
2.8
3.0
0.1108
0.0907
0.0743
0.0608
0.0498
0.2438
0.2177
0.1931
0.1703
0.1494
3.2
3.4
3.6
3.8
4.0
0.0408
0.0334
0.0273
0.0224
0.0183
5.0
6.0
7.0
8.0
9.0
10.0
0.0067
0.0025
0.0009
0.0003
0.0001
0.0001
10
11
12
0.0004
0.0007
0.0012
0.0020
0.0031
0.0001
0.0002
0.0003
0.0005
0.0001
0.0001
0.0203
0.0260
0.0324
0.0395
0.0471
0.0045
0.0062
0.0084
0.0111
0.0141
0.0008
0.0013
0.0018
0.0026
0.0035
0.0001
0.0002
0.0003
0.0005
0.0008
0.0001
0.0001
0.0001
0.1379
0.1496
0.1607
0.1709
0.1804
0.0552
0.0636
0.0723
0.0812
0.0902
0.0176
0.0216
0.0260
0.0309
0.0361
0.0047
0.0061
0.0078
0.0098
0.0120
0.0011
0.0015
0.0020
0.0027
0.0034
0.0002
0.0003
0.0005
0.0006
0.0009
0.0001
0.0001
0.0001
0.0001
0.0002
0.0001
0.2682
0.2613
0.2511
0.2384
0.2240
0.1967
0.2090
0.2176
0.2225
0.2240
0.1082
0.1254
0.1414
0.1558
0.1680
0.0476
0.0602
0.0736
0.0872
0.1008
0.0175
0.0241
0.0319
0.0407
0.0504
0.0055
0.0083
0.0118
0.0163
0.0216
0.0015
0.0025
0.0039
0.0057
0.0081
0.0004
0.0007
0.0011
0.0018
0.0027
0.0001
0.0002
0.0003
0.0005
0.0008
0.0001
0.0001
0.0002
0.0001
0.1305
0.1135
0.0984
0.0850
0.0733
0.2087
0.1929
0.1771
0.1615
0.1465
0.2226
0.2186
0.2125
0.2046
0.1953
0.1781
0.1859
0.1913
0.1944
0.1953
0.1140
0.1264
0.1377
0.1477
0.1563
0.0608
0.0716
0.0826
0.0936
0.1042
0.0278
0.0348
0.0425
0.0508
0.0595
0.0111
0.0148
0.0191
0.0241
0.0298
0.0040
0.0056
0.0076
0.0102
0.0132
0.0013
0.0019
0.0028
0.0039
0.0053
0.0004
0.0006
0.0009
0.0013
0.0019
0.0001
0.0002
0.0003
0.0004
0.0006
0.0337
0.0149
0.0064
0.0027
0.0011
0.0005
0.0842
0.0446
0.0223
0.0107
0.0050
0.0023
0.1404
0.0892
0.0521
0.0286
0.0150
0.0076
0.1755
0.1338
0.0912
0.0572
0.0337
0.0189
0.1755
0.1606
0.1277
0.0916
0.0607
0.0378
0.1462
0.1606
0.1490
0.1221
0.0911
0.0630
0.1044
0.1377
0.1490
0.1396
0.1171
0.0901
0.0653
0.1032
0.1304
0.1396
0.1317
0.1126
0.0363
0.0688
0.1014
0.1241
0.1317
0.1251
0.0181
0.0413
0.0710
0.0992
0.1186
0.1251
0.0082
0.0225
0.0452
0.0722
0.0970
0.1137
0.0034
0.0113
0.0264
0.0481
0.0728
0.0948
12
13
14
15
16
17
18
19
20
21
22
23
24
5.0
6.0
7.0
8.0
9.0
10.0
0.0034
0.0113
0.0264
0.0481
0.0728
0.0948
0.0013
0.0052
0.0142
0.0296
0.0504
0.0729
0.0005
0.0022
0.0071
0.0169
0.0324
0.0521
0.0002
0.0009
0.0033
0.0090
0.0194
0.0347
0.0001
0.0003
0.0015
0.0045
0.0109
0.0217
0.0001
0.0006
0.0021
0.0058
0.0128
0.0001
0.0002
0.0010
0.0029
0.0071
0.0001
0.0004
0.0014
0.0037
0.0002
0.0006
0.0019
0.0001
0.0003
0.0009
0.0001
0.0004
0.0001
0.0002
0.0001
Tabla 3
Distribucin Normal (Np0, 1q)
z2
1
?
e 2 dz
2
0.0
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.1
0.2
0.3
0.4
0.5000
0.4602
0.4207
0.3821
0.3446
0.4960
0.4562
0.4168
0.3783
0.3409
0.4920
0.4522
0.4129
0.3745
0.3372
0.4880
0.4483
0.4090
0.3707
0.3336
0.4840
0.4443
0.4052
0.3669
0.3300
0.4801
0.4404
0.4013
0.3632
0.3264
0.4761
0.4364
0.3974
0.3594
0.3228
0.4721
0.4325
0.3936
0.3557
0.3192
0.4681
0.4286
0.3897
0.3520
0.3156
0.4641
0.4247
0.3859
0.3483
0.3121
0.5
0.6
0.7
0.8
0.9
0.3085
0.2743
0.2420
0.2119
0.1841
0.3050
0.2709
0.2389
0.2090
0.1814
0.3015
0.2676
0.2358
0.2061
0.1788
0.2981
0.2643
0.2327
0.2033
0.1762
0.2946
0.2611
0.2296
0.2005
0.1736
0.2912
0.2578
0.2266
0.1977
0.1711
0.2877
0.2546
0.2236
0.1949
0.1685
0.2843
0.2514
0.2206
0.1922
0.1660
0.2810
0.2483
0.2177
0.1894
0.1635
0.2776
0.2451
0.2148
0.1867
0.1611
1.0
1.1
1.2
1.3
1.4
0.1587
0.1357
0.1151
0.0968
0.0808
0.1562
0.1335
0.1131
0.0951
0.0793
0.1539
0.1314
0.1112
0.0934
0.0778
0.1515
0.1292
0.1093
0.0918
0.0764
0.1492
0.1271
0.1075
0.0901
0.0749
0.1469
0.1251
0.1056
0.0885
0.0735
0.1446
0.1230
0.1038
0.0869
0.0721
0.1423
0.1210
0.1020
0.0853
0.0708
0.1401
0.1190
0.1003
0.0838
0.0694
0.1379
0.1170
0.0985
0.0823
0.0681
1.5
1.6
1.7
1.8
1.9
0.0668
0.0548
0.0446
0.0359
0.0287
0.0655
0.0537
0.0436
0.0351
0.0281
0.0643
0.0526
0.0427
0.0344
0.0274
0.0630
0.0516
0.0418
0.0336
0.0268
0.0618
0.0505
0.0409
0.0329
0.0262
0.0606
0.0495
0.0401
0.0322
0.0256
0.0594
0.0485
0.0392
0.0314
0.0250
0.0582
0.0475
0.0384
0.0307
0.0244
0.0571
0.0465
0.0375
0.0301
0.0239
0.0559
0.0455
0.0367
0.0294
0.0233
2.0
2.1
2.2
2.3
2.4
0.0228
0.0179
0.0139
0.01072
0.00820
0.0222
0.0174
0.0136
0.01044
0.00798
0.0217
0.0170
0.0132
0.01017
0.00776
0.0212
0.0166
0.0129
0.00990
0.00755
0.0207
0.0162
0.0125
0.00964
0.00734
0.0202
0.0158
0.0122
0.00939
0.00714
0.0197
0.0154
0.0119
0.00914
0.00695
0.0192
0.0150
0.0116
0.00889
0.00676
0.0188
0.0146
0.0113
0.00866
0.00657
0.0183
0.0143
0.0110
0.00842
0.00639
2.5
2.6
2.7
2.8
2.9
0.00621
0.00466
0.00347
0.00256
0.00187
0.00604
0.00453
0.00336
0.00248
0.00181
0.00587
0.00440
0.00326
0.00240
0.00175
0.00570
0.00427
0.00317
0.00233
0.00169
0.00554
0.00415
0.00307
0.00226
0.00164
0.00539
0.00402
0.00298
0.00219
0.00159
0.00523
0.00391
0.00289
0.00212
0.00154
0.00508
0.00379
0.00280
0.00205
0.00149
0.00494
0.00368
0.00272
0.00199
0.00144
0.00480
0.00357
0.00264
0.00193
0.00139
3.0
3.1
3.2
3.3
3.4
0.00135
9.68E04
6.87E04
4.83E04
3.37E04
0.00131
9.35E04
6.64E04
4.66E04
3.25E04
0.00126
9.04E04
6.41E04
4.50E04
3.13E04
0.00122
8.74E04
6.19E04
4.34E04
3.02E04
0.00118
8.45E04
5.98E04
4.19E04
2.91E04
0.00114
8.16E04
5.77E04
4.04E04
2.80E04
0.00111
7.89E04
5.57E04
3.90E04
2.70E04
0.00107
7.62E04
5.38E04
3.76E04
2.60E04
0.00104
7.36E04
5.19E04
3.62E04
2.51E04
0.00100
7.11E04
5.01E04
3.49E04
2.42E04
3.5
3.6
3.7
3.8
3.9
2.33E04
1.59E04
1.08E04
7.23E05
4.81E05
2.24E04
1.53E04
1.04E04
6.95E05
4.61E05
2.16E04
1.47E04
9.96E05
6.67E05
4.43E05
2.08E04
1.42E04
9.57E05
6.41E05
4.25E05
2.00E04
1.36E04
9.20E05
6.15E05
4.07E05
1.93E04
1.31E04
8.84E05
5.91E05
3.91E05
1.85E04
1.26E04
8.50E05
5.67E05
3.75E05
1.78E04
1.21E04
8.16E05
5.44E05
3.59E05
1.72E04
1.17E04
7.84E05
5.22E05
3.45E05
1.65E04
1.12E04
7.53E05
5.01E05
3.30E05
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
2.0
3.0
4.0
5.0
6.0
0.15866
0.02275
1.35E03
3.17E05
2.87E07
9.87E10
0.13567
0.01786
9.68E04
2.07E05
1.70E07
5.30E10
0.11507
0.01390
6.87E04
1.33E05
9.96E08
2.82E10
0.09680
0.01072
4.83E04
8.54E06
5.79E08
1.49E10
0.08076
0.00820
3.37E04
5.41E06
3.33E08
7.77E11
0.06681
0.00621
2.33E04
3.40E06
1.90E08
4.02E11
0.05480
0.00466
1.59E04
2.11E06
1.07E08
2.06E11
0.04457
0.00347
1.08E04
1.30E06
5.99E09
1.04E11
0.03593
0.00256
7.23E05
7.93E07
3.32E09
5.23E12
0.02872
0.00187
4.81E05
4.79E07
1.82E09
2.60E12
3.7 E j e rc i c i o s
3.7 Ejercicios
Hoja 3 Variables
aleatorias unidimensionales
1.- Sean C P(2 ) y f : 1 2 una aplicacion.
(1.a) Demostrar que f 1 (Ac ) = (f 1 (A))c , f 1 (iI Ai ) = iI f 1 (Ai ) y
f 1 (iI Ai ) = iI f 1 (Ai ).
(1.b) Demostrar que (f 1 (C)) = f 1 ((C)).
2.- Sea una urna con 3 bolas blancas, 2 negras y 1 verde. Se extraen 3 bolas
al azar y se considera definida como el n
umero de bolas blancas extradas.
Construir la funcion de probabilidad inducida por y su funcion de distribucion.
3.- Sea el espacio muestral asociado al lanzamiento de una moneda equilibrada
en tres ocasiones, con puntos muestrales denotados por ijk con i, j, k {C, X}.
Sea
A = {, A1 , A2 , A3 , A1 A2 , A1 A3 , A2 A3 , A1 A2 A3 }
una -algebra sobre P(), donde A1 = {ccx , cxc }, A2 = (A1 A3 ) y
A3 = {xxx }. Sea X() el n
umero de caras obtenidas en el resultado .
Estudiar si X es una variable aleatoria.
4.- Sean = ZZ+ , A = P() y P ({}) = 2 , . Se define ()
como el resto de (modulo k). Demostrar que es una variable aleatoria y
determinar los valores P ( = r), para r {0, 1, ..., k 1}.
+
5.R Sea f : IR IR = [0, ) una funci
R x on Riemann-integrable tal que
f
(u)du
=
1.
Demostrar
que
F
(x)
=
f (u)du define una funcion de
ekt , si t > 0,
f (t) =
(k > 0)
0,
si t 0.
10
67
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
si x < 1/3,
0,
x21 , si 1/3 x < ,
F (x) =
1,
si x.
1
(7.c) Calcular P (lim inf An ) y P (lim sup An ) cuando An = 13 + 3n+1
, .
8.- Sea
F (x) =
0,
(x + 1)/10,
1/3 + (x 3/2)/3,
1,
si
si
si
si
x < 1,
1 x < 3/2,
3/2 x < 5/2,
5/2 x.
1
5n + 2
A2n1 =
,
,
n+1 n+1
4n + 3 8n + 1
A2n =
,
,
n
n+1
se pide evaluar P (lim inf An ) y P (lim sup An ).
9.- Demostrar que la funcion
0,
si x < 0,
F (x) =
1 2x1 2[x]1 , si x 0,
es una funcion de distribucion de tipo mixto, donde [x] denota la parte entera
de x.
11
68
3.7 E j e rc i c i o s
1 1
,
1 + x2
x IR.
0,
0.2(x + 1),
0.3,
F (x) =
0.3 + 2(x 0.5)2 ,
1,
de distribucion
si
si
si
si
si
si
x < 1,
1 x < 0,
0 x < 1/2,
1/2 x < 1,
1 x < 3/2,
3/2 x.
si x < 3,
0,
x+3
,
si 3 x < 1,
F (x) =
4
1,
si x 1.
Sean las variables aleatorias 1 = X 2 , 2 = X 3 y 3 = eX , supuesto que X es
una variable aleatoria con funcion de distribucion F . Calcular las funciones de
distribucion inducidas por cada una de ellas.
15.- Sea X una variable aleatoria con funcion de densidad
kx + 21 , si x [1, 1] ,
f (x) =
0,
en caso contrario.
12
69
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
si x < 0,
0,
1+2x2
F (x) =
,
si 0 x < 1,
6
1,
si x 1.
Calcular E[X] y V ar(X).
17.- Sea
f (x) =
1, si 0 < x < 1,
0, en caso contrario.
1
,
1 et
(0, 1).
1
,
2 eit
se pide:
(19.a) Comprobar que es la funcion caracterstica de una variable aleatoria
X discreta y hallar la funcion de masa, la media y la varianza de X.
(19.b) Escribir la funcion caracterstica de Y = 1 + 2X, as como su media y
su varianza.
(19.c) Si Y1 = (Y +2)2 e Y2 = X 2 +5, calcular P (Y1 [10, 50]) y P (Y2 [6, 10]).
13
70
3.7 E j e rc i c i o s
sent
t
14
71
i 1, 2u,
b) pa, bq tpx1 , x2 q P
R2
| a i x i bi ,
i 1, 2u,
c) ra, bs tpx1 , x2 q P
R2
| a i x i bi ,
i 1, 2u,
d) ra, bq tpx1 , x2 q P R2 | ai xi bi ,
i 1, 2u,
e) p, bs tpx1 , x2 q P
R2
| x i bi ,
i 1, 2u,
f) pa, `q tpx1 , x2 q P R2 | ai xi ,
i 1, 2u,
g) ra, `q tpx1 , x2 q P
R2
| ai xi ,
i 1, 2u,
h) tA | A es abierto en R2 u, y
i) tA | A es cerrado en R2 u.
De esta manera, el mnimo sigma lgebra engendrado por la clase de estos subconjuntos
es tambin el sigma lgebra de Borel en R2 : puno de esos conjuntosq BpR2 q.
Definicin 4.2 (Funcin de distribucin en R2 ). Dado el espacio de probabilidad de la
forma pR2 , BpR2 q, Pq se denomina funcin de distribucin asociada a P a la funcin
FP : R2 r0, 1s
pa1 , a2 q a FP paq FP pa1 , a2 q Ppp, a1 s p, a2 sq
`
(
P px1 , x2 q P R2 | xi ai i 1, 2
y
FP pa1 , a2 q
(4.2)
pa1 , a2 q
73
29/11/2012
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Proposicin 4.3. Propiedades.
a) FP es montona no decreciente en cada una de sus variables
FP pa1 ` h, a2 q FP pa1 , a2 q
h 0,
b) ai
i 1, 2 FP pa1 , a2 q 1.
Demostracin.
FP p`, `q lim FP pa1 , a2 q lim FP pn, nq
a1 ,a2
n
`
(
lim P px1 , x2 q P R2 | x1 n, x2 n
n
\
`
n1
PpR2 q 1
`
(
P lim px1 , x2 q P R2 | x1 n, x2 a2
n
\
pp, ns p, a2 sq Ppq 0
P
n1
74
4 .1 Fu n c i n d e d i s t r i b u c i n e n R2
d) F es continua a la derecha en cada una de sus variables.
Demostracin.
1
lim FP pa1 ` h, a2 q lim FP a1 ` , a2
n
n
h0
(
`
2
lim P px1 , x2 q P R | x1 a1 ` n1 , x2 a2
n
`
(
lim P px1 , x2 q P R2 | x1 a1 , x2 a2
n
`
(
` P px1 , x2 q P R2 | a1 x1 a1 ` n1 , x2 a2
(
FP pa1 , a2 q ` P lim px1 , x2 q P R2 | a1 x1 a1 ` n1 , x2 a2
n
FP pa1 , a2 q
(4.3)
b2
a2
A
a1 b1
Demostracin.
b,a FP px1 , x2 q FP pb1 , b2 q FP pb1 , a2 q FP pa1 , b2 q ` FP pa1 , a2 q
`
(
P px1 , x2 q P R2 | a1 x1 b1 & a2 x2 b2 PpAq 0.
&1
Fpx, yq 0 (x 1 e y 1) (x 0 y 0)
%3
{4 resto
75
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Comprobar que es continua a la derecha en cada variable, F no es decreciente en cada
variable, que cuando x1 y x2 tienden a , la funcin tiende a 1 y, por ltimo, que cuando
x1 x2 , la P 0. Como se comprueba, las propiedades se verifican, pero
b,a Fpx1 , x2 q Fp2, 2q Fp2, 0q Fp0, 2q ` Fp0, 0q 0.
Por lo que F no es funcin de distribucin.
03/12/2012
(4.4)
@A P C.
(4.5)
76
4 .1 Fu n c i n d e d i s t r i b u c i n e n R2
Demostracin. Utilizaremos en este caso C p, x1 s p, x2 s.
( )
X11 p, a1 s t P | X1 pq a1 u t P | X1 pq a1 & X2 pq P Ru
X 1 pp, a1 s Rq P A.
Y de manera anloga para x2 .
( )
X 1 pp, a1 s p, a2 sq t P | X1 pq a1 & X2 pq a2 u
2
\
t P | Xi pq ai u
i1
2
\
i1
Xi1 p, ai s P A
@B P BpR2 q.
(4.6)
(4.7)
Definicin 4.11 (Variable aleatoria bidimensional discreta). Dada una variable aleatoria
X pX1 , X2 q se dice que es de tipo discreto si el rango de valores de X es un conjunto de
R2 finito o numerable.
Si denotamos por tpan , bn qunPN a los valores de X pX1 , X2 q, a la funcin
Pptan , bn qu PpX1 an , X2 bn q
FX pan , bn q FX pa
n , bn q FX pan , bn q ` FX pan , bn q
(4.8)
(4.9)
xi x
y j y
77
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Ejemplo. Dada la funcin de masa Ppt0, 0uq Ppt0, 1uq Ppt1, 0uq Ppt1, 1uq 1{4, la
funcin de distribucin asociada es
$
0 px, yq P R1
& {4 px, yq P R2
Fpx, yq Pptxi , x j uq 1{2 px, yq P R3
xi x
1{2 px, yq P R5
y j y
%1 px, yq P R
R4
4
$
1
0 x 0 x 0
R3
1 0 x 1 & 0 y 1
R5
&4
1{2
R1
R2
1 0x1&y1
1{4
x1&0y1
0
2
%
1
0
1 x1&y1
0
1
2
04/12/2012
b)
R2
f px, yq 0.
Observaciones.
a) Si f es una funcin de densidad en R2 entonces la funcin
F : R2 R
Zx Zy
f pu, vq dv du
px, yq Fpx, yq
(4.10)
f px, yq.
x y
y x
78
(4.11)
4.2 D i s t r i b u c i o n e s m a r g i na l e s y c o n d i c i o na da s
Definicin 4.13 (Variable aleatoria bidimensional absolutamente continua). Una variable
aleatoria bidimensional pX, Yq se dice que es absolutamente continua continua si su
funcin de distribucin F se puede expresar para cada px, yq P R2 mediante
Zx Zy
f pu, vq dv du,
Fpx, yq
(4.12)
b) Dado B P BpR q,
ZZ
f pu, vq du dv.
PpBq
B
@x1 P R
(4.13)
@x2 P R
(4.14)
&
x2 PCX2
(4.15)
x1 PCX1
79
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Ejemplo.
x1
x2
PpX2 x2 q
3{8
3{8
6{8
1{8
1{8
2{8
PpX1 x1 q
1{8
3{8
3{8
1{8
Proposicin 4.16. Sea X pX1 , X2 q una variable aleatoria bidimensional continua con
funcin de densidad f . Entonces X1 y X2 son continuas y sus funciones de densidad
vienen dadas por
Z
f X1 px1 q
f X px1 , x2 q dx2
&
f X2 px2 q
f X px1 , x2 q dx1 .
(4.16)
Demostracin.
FX1 px1 q FX px1 , q
Z x1
dx1
donde f X1 px1 q
R
R
Z x1 Z `
Z `
f px1 , x2 q dx2
Z x1
f X1 px1 q dx1
f px1 , x2 q dx2 .
Ejemplo. Sea X pX1 , X2 q una variable aleatoria bidimensional cuya funcin de densidad
viene dada por
#
2 0 x1 x2 1
A
f px1 , x2 q
0 resto
1
Z
&0
0
Z1
f px1 , x2 q dx2
f X1 px1 q
2 p1 x1 q
R
% 2 dx2 x1 P p0, 1q
f X2 px2 q
$
&0
Z x2
x1
x2 R p0, 1q
2 dx1
x2 P p0, 1q
#
0
2 x2
x1 R p0, 1q
x1 P p0, 1q
x2 R p0, 1q
x2 P p0, 1q
80
4.2 D i s t r i b u c i o n e s m a r g i na l e s y c o n d i c i o na da s
aleatoria X1 . Siempre que exista el lmite, se denomina distribucin de X2 condicionada por
el valor x1 de X1 a la expresin
Fpx2 | x1 q lim
h0
FX px1 , x2 q FX px1 h, x2 q
FX px1 , x2 q FX px1 h, x2 q
lim
FX px1 , q FX px1 h, q
FX2 px1 q FX2 px1 hq
h0
(4.17)
PpX1 x1 , X2 x2 q
.
PpX1 x1 q
(4.18)
.
PpX1 x1 q
PpX1 x1 q
h0
x1 x
Fpx2 | x1 q lim
h0
PpX1 x1 , X2 x2 q
.
PpX1 x1 q
Proposicin 4.19. Sea X pX1 , X2 q una variable aleatoria bidimensional continua con
funcin de densidad f X px1 , x2 q. Sea x1 un valor de la variable aleatoria X1 de forma que
f X1 px1 q 0. Entonces la funcin de densidad de X2 condicionada por el valor x1 de X1
viene dada por
f X px1 , x2 q
f px2 | x1 q
@x2 P R,
(4.19)
f X1 px1 q
con x1 fijo.
Demostracin.
Fpx2 | x1 q lim
h0
lim
h0
FX px1 , x2 q FX px1 h, x2 q
FX1 px1 q FX1 px1 hq
R x 2 `R x 1
R x2 `R x1 h
f X pu, vq du dv f X pu, vq du dv
R x1
R x2
lim
h0
R x1 h
f X2 puq du f X2 puq du
f X pa, vq dv Z x2 f X px1 , vq
h f X pbq
f X1 px1 q
dv
81
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
y por lo tanto
f px2 | x1 q
f X px1 , x2 q
f X1 px1 q
@px1 , x2 q P R2 .
(4.20)
(4.21)
Demostracin.
PpX1 x1 , X2 x2 q FX px1 , x2 q FX px1 , x2 q FX px1 , x2 q ` FX px1 , x2 q
FX1 px1 q FX2 px2 q FX2 px1 q FX2 px2 q FX2 px1 q FX2 px2 q
` FX2 px1 q FX2 px2 q
FX1 px1 q FX2 px2 q FX2 px2 q FX1 px1 q FX2 px2 q FX2 px2 q
y entonces FX px1 , x2 q
x11 x1
x21 x2
PX1 pX1 x11 q PX2 pX2 x21 q FX1 px1 q FX2 px2 q.
x11 x1
11/12/2012
x21 x2
@px1 , x2 q P R2 .
(4.22)
&
FX1 px1 q
f X1 px2 q,
x1
y, por lo tanto,
FX2 px2 q
2 FX px1 , x2 q
82
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
f X px1 , x2 q f X1 px1 q f X2 px2 q
( )
FX px1 , x2 q
Z x2 Z x1
f X pu, vq du dv
Z x1 Z x2
Z x1
f X1 puq f X2 pvq dv du
Z
f X1 puq
FX2 px2 q
@x1 , x2 .
Z x1
x2
f X2 pvq dv du
Observaciones.
a) Las variables aleatorias unidimensionales X1 y X2 son independientes si y slo si
f px2 | x1 q f X2 px2 q @x2 P CX2 y, anlogamente, f px1 | x2 q f X1 px1 q @x1 P CX1 .
Demostracin. ( ) Supongamos que X1 y X2 son independientes. Entonces
f X px1 , x2 q f X1 px1 q f X2 px2 q f px2 | x1 q
f X px1 , x2 q
f X2 px2 q
f X1 px1 q
( )
f px2 | x1 q f X2 px2 q f X px1 , x2 q f px2 | x1 q f X1 px1 q f X2 px2 q f X1 px1 q
Y por lo tanto, son independientes. Adems, se puede probar lo mismo en el caso
de variables aleatorias discretas.
X pX1 , X2 q FX
1{6
1{12
1{6
1{6
1{12
1{6
1{12
1{12
PpX1 kq 5{12,
2{12,
5{12
PpX2 rq 5{12,
5{12,
2{12
83
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Como qpX1 , X2 q pq1 pX1 , X2 q, q2 pX1 , X2 qq p|X1 |, X22 q y el soporte de la variable aleatoria
X es CX tpx1 , x2 q | x1 P t1, 0, 1u, x2 P t2, 1, 2uu, se tiene que
CY tpx1 , x2 q | y1 P t0, 1u, y2 P t1, 4uu
py1 , y2 q Valores de px1 , x2 q que dan lugar a py1 , y2 q
p0, 1q
PpY1 y1 , Y2 y2 q
p0, 1q
1{12
1{12
p0, 4q
p0, 2q
p0, 2q
1{12 ` 0
1{12
p1, 1q
p1, 1q
p1, 1q
1{6 ` 1{6
1{3
1{2
p1, 4q
p1, 2q
p1, 2q
p1, 2q
p1, 2q
&
X2 h2 pY1 , Y2 q.
h1
Y2
h2
Y2
0.
84
py1 , y2 q P gpCX q
resto.
(4.23)
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
Ejemplo. Sea X pX1 , X2 q una variable aleatoria uniforme con soporte en CX p0, 1q
p0, 1q, es decir, X VpCX q. Y la variable aleatoria Y pY1 , Y2 q que viene dada por
Y1 g1 pX1 , X2 q X1 ` X2 ,
Y2 g2 pX1 , X2 q X1 X2 .
Y1 Y2
h1 pY
11 , Y12 q y tambin X2 2 h2 pY1 , Y2 q.
{2 {2
Comprobando el jacobiano vemos que es |J| 1{2 1{2 1{2 0.De esta manera, como
conocemos la funcin de densidad de X:
#
1 px1 , x2 q P p0, 1q p0, 1q
f X px1 , x2 q
0 px1 , x2 q R p0, 1q p0, 1q
Y1 `Y2
2
podemos calcular CY y f Y :
CY gpCX q gpp0, 1q p0, 1qq tpx, yq | 0 y1 ` y2 2 & 0 y1 y2 2u
# ` y `y y y
#
1
py1 , y2 q P CY
f X 1 2 2 , 1 2 2 21 py1 , y2 q P CY
2
f Y py1 , y2 q
0 resto
0
resto
gpCX q CY
CX
Observacin (Pbm. 13). Sea X pX1 , X2 q una variable aleatoria continua con funcin
de densidad f px1 , x2 q y sea Y1 g1 pX1 , X2 q, Y2 g2 pX1 , X2 q una transformacin de R2
en R2 . Supongamos que la transformacin g pg1 , g2 q tiene un nmero finito k de
inversas. Supongamos adems que existe una particin de R2 , tAi ui1,...,k , de forma que
la transformacin g de Ai en R2 es biyectiva y la inversa viene dada por1
pi
X1 h1 pY1 , Y2 q
pi
&
X2 h2 pY1 , Y2 q
i 1, . . . , k.
Si suponemos que las derivadas parciales son continuas y adems el jacobiano (rango
de la transformacin) es distinto de cero
pi
h1 pY1 ,Y2 q hpi1 pY1 ,Y2 q
Y
Y2
0,
|Ji | pi 1
pi
h
pY
,Y
q
h
pY
,Y
q
2
2
1
1
2
2
Y1
Y2
fX
i1
pi
pi
h1 py1 , y2 q, h2 py1 , y2 q |Ji |.
aclarar, la notacin utilizada para representar la derivada n-sima ser f pnq ptq. En este momento se
trata de un ndice, as que lo ponemos como f pi ptq, para diferenciar de la potencia f i ptq.
1 Para
85
13/12/2012
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
gpx1 , x2 q PpX1 x1 , X2 x2 q,
(4.24)
ErgpX1 , X2 qs
R2
(4.25)
k` E X1k X2` .
(4.26)
Observaciones.
k 1,
` 0 ErX1 s
k 0,
` 1 ErX2 s
Observaciones (Covarianzas).
CovpX1 , X2 q
VarrX1 s
VarrX2 s
CovpX1 , X2 q
86
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
c) CovpX1 , X2 q ErX1 X2 s ErX1 s ErX2 s.
Demostracin.
CovpX1 , X2 q 1,1 ErpX1 1,0 q pX2 0,1 qs
ErX1 X2 X1 1,0 1,0 X2 ` 1,0 0,1 s
ErX1 X2 s 0,1 ErX1 s 1,0 ErX2 s ` 1,0 0,1
ErX1 X2 s 0,1 1,0 ErX1 X2 s ErX1 s ErX2 s.
d) Si CovpX1 , X2 q 0, entonces se dice que las variables aleatorias X1 y X2 son
incorreladas.
e) Si X1 , X2 son independientes, entonces CovpX1 , X2 q 0.
Demostracin.
ErX1 X2 s
x1 f X1 px1 q
x2 f X2 px2 q dx2 dx1 ErX2 s ErX1 s
R2
X
i
n
i1
VarrXi s ` 2 Cov
i1
ij
Xi , X j .
n
Var Xi VarrXi s.
i1
i1
Demostracin.
n
n
n
n
2
n
2
Var Xi E Xi E Xi
E Xi ErXi s
i1
i1
i1
i1
17/12/2012
i1
`
`
2
E pXi ErXi sq ` E Xi ErXi s X j E X j
n
i1
ij
ij
VarrXi s ` 2 Cov
i1
ij
Xi , X j .
87
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
&
x1 x2
Observaciones.
R2
(4.29)
b) k` k``
X p0, 0q .
i
tk u`
Z itpx `x q
X1 `X2 ptq E eitpX1 `X2 q
e 1 2 f X px1 , x2 q dx1 dx2
Z
R2
R2
X2 ptq
Definicin 4.29 (Familia de distribuciones reproductiva). Sea L una familia de distribuciones. Entonces se dice que L es reproductiva si dadas X1 , X2 P L, entonces X1 ` X2 P L.
Ejemplo (1). Por lo tanto, la familia de las distribuciones binomiales es reproductiva
respecto del parmetro n (pero es fcil comprobar que no lo es respecto del parmetro p).
Ejemplo (2). Tambin lo es la distribucin Poisson Ppq. Dadas dos distribuciones X1
Pp1 q y X2 Pp2 q, sus funciones caractersticas son
X1 ptq e1 pe
it 1q
&
X2 ptq e2 pe
it 1q
88
it 1q
it 1q
e2 pe
ep1 `2 qpe
it 1q
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
Ejemplo (3). La distribucin pa, pq es reproductiva respecto de p o, lo que es lo mismo,
que si X1 pa, p1 q y X2 pa, p2 q, entonces
X1 ` X2 pa, p1 ` p2 q.
Ejemplo (4). La Np, q tambin, y respecto de ambos parmetros. Sean X1 Np1 , 1 q y
X2 Np2 , 2 q, de manera que sus funciones caractersticas son
t2
X1 ptq eit1 2 1
&
t2
X2 ptq eit2 2 2
t2
y, por lo tanto, X1 ` X2 N 1 ` 2 , 12 ` 22 .
Xi2 .
i1
x2
1
f Xi pxq ?
e 2
2
`?
` ?
` ?
` 2
?
GX2 pxq P Xi x P x Xi x FXi x FXi x
i
`?
` ?
1
1
gX2 pxq ? f Xi x ` ? f Xi x
i
2 x
2 x
$
#
&0
x0
0
x0
1
1 2
x
x
% p 2 q1 x 12 e 12 x x 0
?1 e 2 ` ?1 e 2
x0
2 2x
2 2x
p 2 q
Xi2
i1
&0
a 21 , p
n
2
x0
n{2
1
12 x n2 1
x
n e
p 2 q
x0
E 2n E pa 21 , p n2 q n,
p
Var 2n Var pa 12 , p n2 q 2 2n.
a
Y de esta manera se define la distribucin chi (o ji) cuadrado, 2 , con n grados de libertad
89
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
0.4
0.3
2n
0.2
n2
n3
n4
n5
Xi2
i1
0.1
0
10
Definicin 4.30 (Esperanza condicionada). Sea pX, Yq una variable bidimensional con
funcin de densidad f X,Y px, yq y sea x P CX . Entonces se define la esperanza condicionada
como
$Z
y f py | xq dy
(continua)
&
CY
ErY | X xs
(4.30)
PpY
y
|
X
xq
(discreta).
%
yPCY
Proposicin 4.31. Sea pX, Yq una variable bidimensional con funcin de densidad
f X,Y px, yq y sea x P CX . Entonces se tiene que
ErErY | X xss ErYs.
(4.31)
Demostracin.
Z
Z
ErErY | Xss E
y f py | xq dy
y f py | xq dy f X pxq dx
CY
CX
CY
Z
Z
Z
y f px, yq dy dx
y
f px, yq dx dy
CX CY
CY
CY
CX
y f Y pyq dy ErYs.
Definicin 4.32 (Varianza condicionada). Sea pX, Yq una variable aleatoria bidimensional.
Se denomina varianza condicionada de Y dado el valor x P CX de la variable aleatoria X a
la expresin
VarrY | X xs
90
$Z
2
yPCY
(continua)
(discreta)
(4.32)
4 .4 Re g r e s i n y c o r r e l ac i n
Proposicin 4.33.
Demostracin.
(4.33)
E E Y 2 | X E ErY | Xs2 E Y 2 E ErY | Xs2
2
VarrErY | Xss E ErY | Xs2 E ErY | Xs
ErVarrY | Xss ` VarrErY | Xss E Y 2 ErYs2 VarrYs.
gpa, bq E pY aX bq2 E Y 2 ` a2 E X 2 ` b2 2a ErX Ys 2b ErYs ` 2ab ErXs,
Z Y aX b
E pY aX bq2 2a E X 2 2 ErX Ys ` 2b ErXs 0,
a
E pY aX bq2 2b 2 ErYs ` 2a ErXs 0.
b
b ErYs a ErXs a E X 2 ` ErYs ErXs a E X 2 ErX Ys y tambin obtene`
CovpX, Yq
VarrXs
&
b ErYs
CovpX, Yq
ErXs.
VarrXs
Y con todo esto, la recta que nos queda al aproximar Y aX ` b, cuyo error es mnimo,
es de la forma
CovpX, Yq
CovpX, Yq
y
x ` ErYs
ErXs.
(4.34)
VarrXs
VarrXs
91
20/12/2012
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Definicin 4.34 (Recta de regresin). Con todo lo anterior, definimos la recta de regresin
de Y sobre X como
CovpX, Yq
y ErYs
px ErXsq,
(4.35)
VarrXs
y, anlogamente, la recta de regresin de X sobre Y como
x ErXs
CovpX, Yq
py ErYsq.
VarrYs
(4.36)
CovpX, Yq
pX ErXsq ,
Y ErYs `
VarrXs
CovpX, Yq
X ErXs `
pY ErYsq ,
VarrYs
(4.37)
(4.38)
respectivamente. Que de nuevo, resultan ser una variable aleatoria, cuya varianza es
CovpX, Yq
Var eY | X Var Y ErYs `
pX ErXsq
VarrXs
CovpX, Yq 2
2
E pX ErXsq2
E pY ErYsq `
VarrXs
CovpX, Yq
E pX ErXsq pY ErYsq
2
VarrXs
2
CovpX, Yq
CovpX, Yq
VarrXs 2
VarrYs `
VarrXs
VarrXs
2
CovpX, Yq
CovpX, Yq
VarrYs
VarrYs VarrYs
VarrXs
VarrXs VarrYs
CovpX, Yq2
.
VarrYs 1
VarrXs VarrYs
Definicin 4.36 (Coeficiente de correlacin lineal). Sean X e Y dos variables aleatorias
para las que existen VarrXs y VarrYs y adems son estrictamente positivas. Se denomina
coeficiente de correlacin lineal a la expresin
CovpX, Yq
a
.
VarrXs VarrYs
92
4 .4 Re g r e s i n y c o r r e l ac i n
b) 1 1.
?
VarrXs
X ErXs
VarrYsVarrYs
Y si || 1
08/01/2013
93
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
2
E pY gpXqq py gpxqq2 f px, yq dx dy
ZZ
py gpxqq2 f py | xq f pxq dx dy
Z Z
2
py gpxqq f py | xq dy f pxq dx
y ahora lo que tenemos que hacer es minimizar esta funcin (con x cte. y gpxq a), de
manera que la funcin a minimizar queda
Z
VarrErY | Xss
VarrY ErY | Xss VarrYs 1
VarrYs
VarrErY | Xss
VarrYs 1
VarrYs
Definicin 4.37 (Razn de correlacin). Sean X e Y dos variables aleatorias con VarrXs,
VarrYs 0. Se denomina razn de correlacin de Y sobre X a las expresiones
Y2 | X
94
VarrErY | Xss
VarrYs ErVarrY | Xss
ErVarrY | Xss
1
,
VarrYs
VarrYs
VarrYs
4. 5 Di s t r i b u c i o n e s b i d i m e n s i o na l e s n o ta b l e s
y el de X sobre Y (anlogo)
2
X
|Y
VarrErX | Yss
.
VarrXs
2
Teorema 4.38. Se comprueba que 0 Y2 | X , X
| Y 1.
Demostracin.
VarrErY | Xss
VarrY ErY | Xss VarrYs 1
VarrYs 1 Y2 | X 0,
VarrYs
y de esta manera
0 Y2 | X 1
Observaciones.
a) Si Y2 | X 1 VarrY ErY | Xss 0 Y ErY | Xs con probabilidad 1. Y
por lo tanto hpxq ErY | X xs, lo que significa toda la probabilidad se concentra
en la curva de regresin.
| Xss
b) Si Y2 | X 0 VarrErY
0 VarrErY | Xss 0 y, de esta manera tenemos
VarrYs
2
que, E pErY | Xs ErYsq 0 ErY | Xs ErYs @x gpxq ErYs. Y de
2
manera anloga, si X
| Y 0 @y gpyq ErXs.
`
2 p1 2 q
x X
X
x X y Y
2
`
X
Y
y Y
Y
f px, yq dx Y NpY , Y q
95
10/01/2013
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
X
N X ` py Y q
, X
Y
1 2
gpyq ErX | Y ys X ` py Y q
la funcin caracterstica
1` 2 2
X,Y pu, vq exp iu X ` ivY
u X ` 2uvX Y ` v2 X2 ,
2
la esperanza
2
1
X,Y p0, 0q X Y X Y ,
ErX Ys 2
i u v
la covarianza
CovpX, Yq ErX Ys ErXs ErYs X Y ` X Y X Y X Y ,
el coeficiente de correlacin
CovpX, Yq
X Y
,
X Y
X Y
X2
X Y
X Y
Y2
1
0.5
0
2
96
2
1
0
0
2 2
4.6 E j e rc i c i o s
4.6 Ejercicios
Hoja 4 Variables
aleatorias
multidimensionales
1.- Estudiar si
F (x, y)
1,
0,
si x + 2y 1,
si x + 2y < 1,
P (X = 0, Y = 1) = P (X = 1, Y = 1) =
1
,
3
97
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
1
,
2x
x = 1, 2, ...
x(1 y)x1 ,
0 < y < 1.
Determinar la distribucion de .
9.- Sea X una variable aleatoria con distribucion Exponencial de parametro
= 1. Supongamos que Y /X = x es una variable aleatoria con funcion de
densidad
xy (x+1) , si y > 1,
f (y/x) =
0,
en caso contrario.
Calcular:
(9.a) La funcion de densidad conjunta.
(9.b) La funcion de densidad marginal de Y .
(9.c) La funcion de densidad de X/Y = y.
16
98
4.6 E j e rc i c i o s
(t, u)
9e3i(t+2u)(t +4u
(3 it)2
)/2
13.- Sea (X1 , X2 ) una variable aleatoria 2-dimensional con funcion de densidad
1, si 0 x1 1, 0 x2 1,
f (x1 , x2 ) =
0, en caso contrario.
Se considera la transformacion (Y1 , Y2 ), donde Y1 = max{X1 , X2 } e Y2 =
min{X1 , X2 }. Calcular la funcion de densidad de (Y1 , Y2 ).
14.- Sea (X, Y ) una variable aleatoria 2-dimensional con funcion de densidad
uniforme en el recinto
C =
(x, y) IR2 : 0 x 1, 0 y 1 .
99
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
n
Y
Xi
y Vn+1 =
i=1
n+1
Y
Xi .
i=1
Calcular la distribucion conjunta de (Vn , Vn+1 ), su funcion caracterstica y deducir si Vn y Vn+1 son o no independientes.
18.- Sean X e Y variables aleatorias independientes e identicamente distribuidas
con distribucion Exponencial de parametro = 1. Calcular la distribucion de
T = |X Y |.
19.- Sea (1 , 2 ) una variable aleatoria con funcion de densidad
1 x
2 e 1 , si x1 > 0, 1 < x2 < 1,
f (x1 , x2 ) =
0,
en caso contrario.
Hallar la distribucion de la variable aleatoria = |1 + 2 |.
20.- Sea (X, Y ) una variable aleatoria 2-dimensional con funcion de densidad
2 ky
k e
, si 0 < x < y,
f (x, y) =
0,
en caso contrario.
(20.a) Hallar la probabilidad del recinto [0, 1] [0, 1].
(20.b) Determinar los valores de k para que f sea una funcion de densidad.
(20.c) Demostrar que X e Y X son independientes.
(20.d) Escribir la curva (general) de regresion y la recta de regresion de Y
sobre X.
21.- Consideremos la variable aleatoria 2-dimensional (X, Y ) con distribucion
uniforme en el recinto limitado por las rectas y = x, x = y, y = 1 e y = 1;
es decir, f (x, y) = 1/2 para (x, y) C = {(x, y) IR2 : |x| < |y| < 1}.
(21.a) Calcular la curva (general) de regresion de Y sobre X.
(21.b) Estudiar si X e Y con independientes y/o incorreladas.
22.- Consideremos las variables aleatorias X e Y , con rectas de regresion
3x + 2y 26 = 0,
6x + y 31 = 0.
18
100
4.6 E j e rc i c i o s
19
101
Xn pq Xpq
@ P ,
pero la convergencia puntual puede resultar demasiado estricta. Veamos otros tipos de
convergencia.
Definicin 5.1 (Convergencia casi segura). Sea tXn unPN una sucesin de variables aleatorias. Se dice que tXn unPN converge casi seguramente a la variable aleatoria X : p, A, Pq
pR, BpRqq si
`
(
P P | lim Xn pq Xpq 1, o, equivalentemente,
(5.1)
n
`
(
P P | lim Xn pq 0
(5.2)
n
c.s.
y lo expresaremos como Xn X.
Observaciones.
a)
(
P | lim Xn pq Xpq A.
n
\
!
[
\
k1 m1 n1
@n m se tiene
1)
P | | Xn pq Xpq|
P A.
k
loooooooooooooooooooooooooooon
Xn X
p| Xn X |q1 p, 1k qPA
c.s.
Xn Y X Y ,
c.s.
103
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
c.s.
c) Xn X @ 0
lim P
mn
t P | | Xm pq Xpq| 0u
lim P
c.s.
mn
0 y, de
t P | | Xm pq Xpq| u 1.
c.s.
c.s.
Xn X
c.s.
Yn Y
c.s.
Xn ` Yn X ` Y
y tambin
c.s.
Xn YN X Y
Definicin 5.2 (Convergencia en probabilidad). Sea tXn unPN una sucesin de variables
aleatorias y sea X : p, A, Pq pR, BpRqq. Se dice que tXn unPN converge en probabilidad
a la variable aleatoria X si se verifica
@ 0
y, anlogamente,
(5.3)
(5.4)
P.
Lo expresaremos como Xn X.
Observaciones (Condicin suficiente para la convergencia en probabilidad).
`
P.
P.
a) Xn X Xn Y X Y .
c.s.
c.s.
P.
b) Xn X Xn X.
Demostracin.
t P | | Xn pq Xpq| u
mn
t P | | Xm pq Xpq| u
t P tal que
mn
| Xn pq Xpq| u
14/01/2013
104
E pXn aq2
E Xn2 2 aXn ` a2
Ppt| Xn a| uq
2
2
2
VarrXn s ` ErXn s 2 a ErXn s ` a2
,
2
5 .1 Ti p o s d e c o n v e r g e n c i a s
y por lo tanto, cuando llegamos al lmite,
@ 0
0.
2
c.s.
P.
Xn X.
d) Si Xn X
Demostracin. Un contraejemplo. Sea P tal que PpXn 0q 1
1
2n , entonces
1
n
y PpXn 1q
1
1
1
ErXn s 0 1
`1
1
0,
n
2n
2n
1
1 1
1
` 12
` p1q2
,
VarrXn s E Xn2 ErXn s2 02 1
n
2n
2n
n
y, llegando al lmite,
VarrXn s 0
n
y si aplicamos (c)
P.
Xn X
X | PpX 0q 1
X | PpX 0q 1 @ 0
Xn X
lim P
mn
t P
tal que
| Xm pq Xpq| u 1
\
\
t P | | Xm pq| u P
t P | Xm pq 0u
1P
mn
2n
\
mn
2n
t P | Xm pq 0u
PpXn 0q
mn
mn
1 n1
1
1
n
2n
2n
\
1
c.s.
t P | Xm pq u
lim P
Xn
X.
n
2
mn
Observaciones.
105
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
m.c.
m.c.
a) Xn X pXn Y X Yq.
c.s.
P.
m.c.
b) Xn X Xn X.
Demostracin.
@ 0
E pXn Xq2
0
Ppt P | | Xn pq Xpq| uq
n
2
P.
y de esta manera Xn X.
c.s.
m.c.
c) Xn X
Xn X.
Demostracin. Sea p, A, Pq un espacio de probabilidad donde p0, 1q, A es
BpRq restringida a p0, 1q y Ppa, bq b a. Sea tXn unPN de manera que
#
`
0 P 0, 1 n1
Xn pq
1 resto
entonces
)
c.s.
P | lim Xn pq 0 Ppp0, 1qq 1 Xn X
n
`
`
(
E pXn Xq2 02 P P | P 0, 1 n1
`
`
(
` n2 P P | P 1 n1 , 1
1
n2 n no converge en media cuadrtica.
n
n
P
Definicin 5.4 (Convergencia en ley). Sea tXn unPN una sucesin de variables aleatorias. Se dice que tXn unPN converge en ley o distribucin hacia la variable aleatoria
X : p, A, Pq pR, BpRqq si
lim Fn pxq FX pxq
n
(5.6)
Observaciones.
a) Xn y X pueden no ser a la vez discretas o continuas.
b) En los puntos de discontinuidad de FX pxq la sucesin tFn pxqu puede tender a FX pxq,
a otro lmite o, incluso, no existir su lmite.
L.
c) Si Xn X X es nica c.s.
L.
L.
L.
L.
X Y X Y
Y Y n
106
5 .1 Ti p o s d e c o n v e r g e n c i a s
e) Sea tn unPN la sucesin de funciones caractersticas asociadas a tXn unPN donde n
est a sociada a Xn y sea
ptq lim n ptq.
n
L.
L.
Teorema 5.5. Si Xn X Xn X.
Demostracin. Sea FX es la funcin de distribucin de X y tomamos x de tal forma que x
sea un punto de continuidad de FX ,
FXn pxq Ppt P | Xn pq xuq Ppt P | Xn pq x, Xpq x ` uq
` Ppt P | Xn pq x, Xpq x ` uq
Ppt P | Xpq x ` uq ` Ppt P | | Xn pq Xpq| uq
FX px ` q ` Ppt P | | Xn pq Xpq| uq
Ahora, por otro lado,
FX px q Ppt P | Xpq x uq Ppt P | Xpq x , Xn pq xuq
` Ppt P | Xpq x , Xn pq xuq
Ppt P | Xn pq xuq ` Ppt P | | Xn pq Xpq| uq
FXn pxq ` Ppt P | | Xn pq Xpq| uq
y por lo tanto
Fx px q Ppt P | | Xn pq Xpq| uq
Xn X
de manera que
L.
Xn X
15/01/2013
P.
pX | PpX cq 1q Xn c.
Demostracin.
FX pxq
xc
xc
FX pxq 0
xc
FX pxq 1
xc
107
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
@ 0
0`11 0
lim FXn pc q ` 1 lim FXn c `
n
n
2
P.
P.
comprobar si Xn X y Xn P.
Solucin.
X
Xn
PpXn kq
1{2
1{2
1{2
1{2
Ahora, si 1{2
x0
0
&
L.
FXn pxq 0 x 1 1{2 FX pxq Xn X
n
%
X1
1
$
x0
&0
FX pxq 1{2 0 x 1
%1
x1
108
5. 2 Le y e s d e l o s g r a n d e s n m e ro s
Teorema 5.8 (L.D.G.N. de Tchebysheff). Sea tXn unPN una sucesin de variables aleatorias
independientes con VarrXm s M @m. Entonces tXm umPN verifica la L.D.G.N. con
n
Bn n y An i1
ErXi s, es decir,
n
n
Sn ErSn s P.
(5.8)
0
ErSn s E Xi ErXi s An .
n
i1
i1
Demostracin.
@ 0
y, haciendo el lmite,
@ 0
ns
P Sn ErS
Pp|Sn ErSn s| n q
n
2
n
2 2
P |Sn ErSn s|
n
nM
M
VarrSn s
i VarrXi s
2 2
n2 2
n2 2
n
n
M
ns
lim P Sn ErS
lim
0
n
n
n n
Sn ErSn s P.
0.
Teorema
(L.D.G.N.
de Markov). Sea tXn unPN de variables aleatorias con ErXn s
1 5.9
n
s
y Var n i1 Xi X 0, de esta manera
n
Sn ErSn s P.
0.
n
(5.9)
Demostracin.
dado que
1
n2
VarrS s
1 s
n
ns
@ 0 P Sn ErS
2 X,
n
2
2
n
1
VarrSn s Var n Xi . Por otro lado
1
ns
s0
@ 0 lim P Sn ErS
2 lim X
n
n
n
Sn ErSn s
P.
s
X
0
n
Cov Xi , X j
VarrSn s Var Xi
i1
Xn Np0, 1q
si j i ` 1 j i 1
resto
1
hkkkkkkkkj
`
VarrXi s ` 2 Cov Xi , Xj
n
i1
ij
109
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
n`2
n1
CovpXi , Xi`1 q n ` 2 pn 1q ,
i1
1
1
1
VarrXs Var Sn 2 VarrSn s 2 pn ` 2 pn 1q q 0
n1
n
n
n
Sn ErSn s
Sn P.
0
n
n
Teorema 5.10 (L.D.G.N. de Khintchine). Sea tXn u una sucesin de variables aleatorias
P.
independientes idnticamente distribuidas con ErXn s . Entonces Snn , o lo
que es lo mismo
n
1 n
1
P.
P.
s
s
(5.10)
Xi X
Xi X .
n i1
n i1
Demostracin.
Sn ptq Sn
n
Optq
t
`t
n
Xi
i1
0, entonces1
`t
n
` n
Xi nt
`t n
t
Sn ptq 1 ` i ` O n
n
n
fi it`n Opt{nq n
n
it`n Opt{nq
1
fl
1`
n
it`n Opt{nq
como soy un fracaso y un poco subnormal y he hecho esto sin saber por qu lo haca, sin
hacer un puto comentario sobre ello, llevando a mis alumnos al desconocimiento, pues
ahora concluimos lo siguiente
`
y de esta manera
Sn P.
.
n
Ejemplo. Sean tXn u variables aleatorias independientes Bp1, pq Xn . Entonces, es verdad
P.
s
que X
p?
es el resto de Lagrange (que el ao pasado expresbamos como Ln pt, t0 q) del polinomio de Taylor. En
este caso, Op nt q es el resto de Lagrange de nt en 0, que el ao pasado expresaramos como L2 p nt , 0q.
110
5. 2 Le y e s d e l o s g r a n d e s n m e ro s
n2
n2
n1
Sn ErSn s c.s.
n2 VarrXn s
0.
n
(5.12)
Teorema 5.13 (L.F.G.N. de Khintchine). Sea tXn unPN una sucesin de variables aleatorias
independientes idnticamente distribuidas con ErXn s @n. Entonces
Sn c.s.
.
n
(5.13)
#
1
pi
1 pi
y sea
fn
c.s.
n
Y nos preguntamos ahora si f n i1
pi 0.
Solucin.
Ti
Xi 1
Xi 0
ErTi s p, VarrTi s p p1 pq
1
4
fn
1 n
Ti
n i1
1 1
VarrTk s
k2
k2
4 k1
k1
1 n
c.s.
pi 0.
n i1
111
17/01/2013
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
n
Xi E Xi
i1
y tambin
i1
Var Xi
i1
Xi
?
n
i1
i1
L.
Np0, 1q
s n q L.
n pX
Np0, 1q
(5.14)
i1
n
X n L.
i1
? i
Np0, 1q
n 2
`
n
n n1 i1
Xi L.
?
Np0, 1q
n
Demostracin.
L.
Np0, 1q,
t
?
(5.15)
Pero por otro lado, tenemos que como ErXi s 0 y VarrXi s VarrXi s 2 , y
limt0
Opt2 q
t2
0, de manera que
Xi ptq Xi p0q ` 1Xi p0q t `
1 2
p0q t2 ` Opt2 q
2! Xi
loooooooooooooon
i2 ErpXi q2 s
t2
1 22 2
t i ` Opt2 q 1 2 ` Opt2 q
2
2
lo que implica que, volviendo a la ecuacin (5.15),
n
2 n
t2
2
t
t
`
Xi? ptq Xi ?n
1 2 ` O ?n
n
2 n
2
2
t
1
` O ?t n
2n
1`0`
112
5 .3 Te o r e m a Ce n t r a l d e l L m i t e
y de esta manera se tiene que
t2
2 n
1
O
1
t2
2n
t2
2 n
2
t
2n
n
t2 t2
2n
2 n
t2
fi
ffi
ffi
fl
t2
2 n
t2
n
2n
e 2 X ptq.
&
Xi Bp1, pq.
a
Xnp
L.
Np0, 1q.
n p p1 pq
Zb
xa
PX pX xq
gpxq dx.
113
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
a)
PX pX aq
PX pX aq
Z
a
Z
a
,
/
gpxq dx/
.
/
gpxq dx/
PX pX aq PX pX aq
b) PX pX xq 0, y, sin embargo, cuando se calcula con gpxq ser uno por ser g1 pxq la
funcin de densidad de una variable aleatoria continua.
114
5.4 E j e rc i c i o s
5.4 Ejercicios
Hoja 5 Convergencias
estoc
asticas
1.- Sea {Xn : n 1} una sucesion de variables aleatorias independientes e
identicamente distribuidas Normales de media 0 y varianza 1. Estudiar
Pnla convergencia en probabilidad de la sucesion {Yn : n 1}, donde Yn = n1 i=1 Xi2 .
Se pide:
n
X
Xi .
i=1
20
115
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
n
X
i=0
Xi
.
n+1i
2
n
converge en ley a X, donde X es una variable aleatoria Normal (0, 1).
8.- Sea {Xn : n 1} una sucesion de variables aleatorias independientes e
identicamente distribuidas Uniforme sobre (0, 1). Consideremos
Yn
= max(X1 , ..., Xn ),
Zn
Tn
= nYn ,
= n (1 Yn ).
= P (Xn = 2n ) =
= 1
21
116
1
.
22n
1
22n+1
5.4 E j e rc i c i o s
p
P Xn = ln(n + )
p
1
P Xn = ln(n + ) = ,
2
IN.
1
1
1
P Xi = i
=
P Xi = i
= .
2
2
2
11.- Sea X una variable aleatoria Exponencial de tasa . Sea
n, si X() [n, ).
3
n)/10
1
,
4i
1
1 .
i
117
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
15.- Sea una variable aleatoria Uniforme sobre el intervalo (1/, 1/). Se
definen las variables aleatorias = y
1, si () [1, 1/i),
0,
si () [1/i, 1/i),
Xi () =
1,
si () [1/i, 1).
23
118
Historial
20121023, 19:34 Versin 0.0.1
Primera versin.
Acabado el (Captulo 1).
20121025, 00:24 Versin 0.0.2
Aadida la (Seccin 2.2.1) de los de informtica.
Aadido todo hasta la Observacin de la (Definicin 2.12).
20121025, 12:45 Versin 0.0.3
Aadidos los ejercicios de los (Captulos 1 y 2).
20121025, 23:41 Versin 0.0.4
Completado todo el (Captulo 2).
Corregidas las erratas sealadas por Mario.
Aadido todo hasta la Observacin del (Teorema 3.4).
20121029, 18:04 Versin 0.0.5
Corregidas varias erratas sealadas por Mario.
20121102, 14:43 Versin 0.0.6
Corregidas ms erratas sealadas por Mario.
Cambiado el prembulo.
Aadido todo hasta el 31/10/2012, hasta el Ejemplo del (Teorema 3.7).
20121106, 19:34 Versin 0.0.7
Se necesita colaboracin porque faltan bastantes cosas entre el (Teorema 3.7, pgina
34) y el (Ejercicio 3.1, pgina 40).
Por lo dems, aadido todo hasta el da 06/11/2012 (Ejercicio 3.1).
20121107, 17:48 Versin 0.0.8
Repasado todo hasta el (Ejercicio 3.1) con los apuntes de Adolfo.
20121112, 19:00 Versin 0.0.9
Aadido hasta el Ejemplo de la (Definicin 3.19).
Aadido hasta la (Proposicin 3.28). A falta de muchas cosas que han quedado por
el camino.
20121113, 18:49 Versin 0.0.10
Corregido hasta la (Proposicion 3.26).
Aadido lo del da 13/11/2012 hasta la (Definicin 3.33).
119
Histori a l
20121114, 11:17 Versin 0.0.11
Aadidos ciertos retoques de Mario.
Retoques mnimos.
20121116, 21:34 Versin 0.0.12
Ms retoques.
Aadido todo hasta el 15/11/2012, hasta la (Subseccin 3.4.2).
20121117, 12:50 Versin 0.0.13
Retocados los comandos compos y distrib.
20121121, 17:38 Versin 0.0.14
Aadido todo hasta el da 20/11/2012 (Subseccin 3.4.6).
20121123, 16:04 Versin 0.0.15
Aadido todo hasta el da 22/11/2012, hasta el (Ejercicio 3.4).
20121127, 23:09 Versin 0.0.16
Aadidas las tablas Binomial y Poisson (Seccin 3.6).
Aadido todo hasta el da 27/11/2012, hasta la (Definicin 3.43).
Segn ha dicho, hasta aqu entra en el examen.
20121202, 13:46 Versin 0.0.17
Retoques mnimos.
Errores corregidos por Mario.
Aadida la tabla de la distribucin normal (Seccin 3.6).
20121204, 19:05 Versin 0.0.18
Retoques mnimos a lo largo de todo el documento (an quedan pendientes algunas
f X pxq que errneamente se llaman f pxq y numerosas X/Y que errneamente se han
escrito como x/y).
20121210, 22:35 Versin 0.0.19
Retoques varios de estilo.
Cambio de portada.
Aadido parte del (Captulo 4).
20121212, 15:05 Versin 0.0.20
Aadido todo salvo lo del da 10/12/2012, hasta el Ejemplo del (Teorema 4.23).
20121213, 20:45 Versin 0.0.21
Ms retoques.
Cambio de fuente.
Aadidos \frontmatter, \mainmatter y \backmatter.
Cambio de la estructura y uso de m.sty (\usepackage{m}).
20121218, 00:00 Versin 0.0.22
Cambiado la clase del documento a scrbook, retocadas ciertas cosas y alterado el
comando \partial.
120
121
Histori a l
20130125, 16:45 Versin 0.1.2
Corregidos los mal utilizados : en vez de \colon para definir funciones.
Y algn lmite ms corregido.
20130127, 13:49 Verin 0.1.3
Aadido el alfabeto \mathbb{...} en negrita (R en vez de R).
Y sustituidos los \ldots (. . . ) en el texto por \... (...).
20130129, 15:35 Versin 0.1.4
Sustituido el smbolo P por para representar las partes de un conjunto (tambin
conocido como conjunto potencia).
Algunos retoques mnimos a lo largo del documento.
Aadida la opcin [tracking=smallcaps] al paquete microtype.
20130130, 17:22 Versin 0.1.5
Corregidos varios entornos multlined y multline*.
20130203, 14:51 Versin 0.1.6
Sustituidos por K cuando se trataba de conjuntos.
Sustituidos algunos . . . errneos por ....
Aadidos los diagramas de Venn (Figura 1.1).
Retoques varios en los (Captulos 1, 2 y 3).
Sustituido el commando \ii por \i.
20130210, 13:10 Versin 0.1.7
Sustituido \renewcommand{\d} por \DeclareRobustCommand{\d}.
20130211, 20:15 Versin 0.1.8
Repasado todo entero (excepto las distribuciones notables), y corregidas numerosas
erratas.
20130213, 00:09 Versin 0.1.9
Repaso de los captulos 1 y 2.
122