Variables aleatorias bidimensionales

para todo (x1 , x2 ) IR2 . Se llama funcin de distribucin marginal de una o o componente del vector aleatorio, a la proyeccin de la funcin de distribucin o o o conjunta cuando las otras componentes toman valores prximos a innito. Por o ejemplo, F1 (x1 ) = l m F (x1 , x2 ).
x2 +

Si la funcin de distribucin conjunta del vector aleatorio es continua entono o ces cada componente del vector es una variable aleatoria continua, sucediendo que la funcin de densidad de una componente coincide con la integral de la o funcin de densidad conjunta sobre la otra componente. Por ejemplo: o
+

ww w.

F (x1 , x2 ) = P ({w : 1 (w) x1 , 2 (w) x2 })

Si bien las variables aleatorias son funciones de un espacio probabil stico (, A, P ) sobre IR, los vectores aleatorios son funciones de un espacio probabil stico sobre IRn , para algn natural n. En este cap u tulo se presentan problemas donde aparecen vectores aleatorios con n = 2. Dado un vector aleatorio bidimensional = (1 , 2 ), se llama funcin de o distribucin conjunta a la funcin denida sobre IR2 como: o o

f1 (x1 ) =

at

em

Cuando adems las componentes son variables aleatorias independientes entona ces: f (x1 , x2 ) = f1 (x1 ) f2 (x2 ).

at

ic a

f (x1 , x2 )x2 .

1.c

om

Si el vector aleatorio asume slo una cantidad numerable de valores, eno tonces cada componente es una variable aleatoria discreta, sucediendo que la funcin de probabilidad de una componente coincide con la suma de la funcin o o de probabilidad conjunta sobre la otra componente. Por ejemplo: P1 (k1 ) =
k2

P (k1 , k2 ).

Cuando adems las componentes son variables aleatorias independientes entona ces: P (k1 , k2 ) = P1 (k1 ) P2 (k2 ).

Ejercicios Resueltos

2. P {(x, y) IR2 : x + y = 4}. Solucin o

1. Considerando los distintos casos posibles, la funcin de distribucin o o bivariante asociada es: si x < 1 0 si y < 2 0 si 1 x < 2, 2 y < 3 1/6 2 x, 2 y < 3 F (x, y) = si 1/3 1 x < 2, y 3 si 2 x < 3, y 3 2/3 1 si x 3, y 3 2. Los unicos puntos con probabilidad no nula pertenecientes a la recta x + y = 4 son (1, 3) y (2, 2). Por lo tanto: P (x, y) IR2 : x + y = 4 = P ({(1, 3)}) + P ({(2, 2)}) = 1/3.

P5.2] Sea una urna con 15 bolas rojas, 10 negras y 25 blancas. Se extraen 10 con reemplazamiento y al azar y se considera la variable aleatoria (, ) donde es nmero de rojasy es nmero de negras. u u 1. Calcular la funcin de probabilidad conjunta. o 2. Hallar las funciones de distribucin marginales. o

ww

w.

at e

at

ic a1

1. la funcin de distribucin bivariante asociada; o o

.c om

P5.1] Sea la funcin de masa P {(1, 2)} = P {(1, 3)} = P {(2, 2)} = P {(2, 3)} = o 1/6, P {(3, 3)} = 2/6. Calcular:

Solucin o 1. La funcin de probabilidad conjunta viene dada, teniendo en cuenta o que las bolas se extraen con reemplazamiento, por: P ( = x, = y) = 15 10! x! y! (10 x y)! 50
x

10 50

25 50

10xy

para x, y {0, . . . , 10} . 2. Las funciones de distribucin de estas dos variables discretas son: o P ( = x) = 10 x 10 y 15 50 10 50
x 10x

35 50 40 50

,
10y

P ( = y) =

P5.3] Sea el vector aleatorio (, ) con funcin de probabilidad conjunta: o P ( = i, = j) =

3 i

ic a1
3 j 4 3ij

Calcular P (0 < 2, = 3) y P ( 1). Solucin o Ntese que esta funcin de probabilidad conjunta toma valores no nulos o o para aquellos puntos (i, j)tales que i, j = 0, 1, 2, 3 y i + j 3. Por lo tanto: P (0 < 2, = 3) = P ( = 1, = 3) + P ( = 2, = 3) = 0. Por otra parte:
3

P ( 1) =

ww

w.

at e

1 P ( = 0) = 1
j=0 3

at

120

1
j=0

1 3 120 0

3 j

.c om
,

i, j = 0, 1, 2, 3 i+j 3

P ( = 0, = j) = 4 3j 17 . 24

P5.4] Una urna contiene tres bolas rojas, tres blancas y cuatro negras. Se extraen dos bolas de la urna, sin reemplazamiento. Sean las variables y denidas como = 1 si la bola extra en primer lugar es roja y 0 si da no lo es, y = 1 si la bola extra en segundo lugar es roja y 0 si no lo da

es. Calcular las distribuciones conjuntas, marginales y condicionadas de (, ). Son y independientes? Solucin o La funcin de probabilidad conjunta, as como las funciones de probabio lidad marginales, estn expresadas en la siguiente tabla: a | 0 1
7 10 7 10

0
6 9 3 9 3 10 3 10

1
7 9 2 9 7 10 3 10

7 10

3 10

Adems: a P ( = x | = y) = por lo que:

P ( = x | = 0) =

at
1
3 10 3 10

2/3 , si 1/3 , si 7/9 , si 2/9 , si

para todo x, y {0, 1} . P5.5] Repetir el problema anterior suponiendo que las extracciones se hacen con reemplazamiento. Solucin o De forma similar al caso anterior: | 0 1
7 10 7 10

ww

P ( = x, = y) = P ( = x) P ( = y) ,

w.

Finalmente, se puede armar que las variables y no son independientes, puesto que

at e
0
7 10

m
7 10 3 10

P ( = x | = 1) =

ic a1

3 10 7 10 3 10 7 10 3 10

.c om

P ( = x, = y) , y = 0, 1, P ( = y) x=0 , x=1

x=0 . x=1

y adems: a P ( = x | = 0) = P ( = x | = 1) = 7/10 , si 3/10 , si 7/10 , si 3/10 , si x=0 , x=1 x=0 . x=1

Finalmente, se puede armar que las variables y son independientes, puesto que P ( = x, = y) = P ( = x) P ( = y) , para todo x, y = 0, 1. P5.6] El vector aleatorio (, ) tiene la distribucin de probabilidad conjunta o dada por P ( = x, = y) = k(x + 1)(y + 1) donde x, y = 0, 1, 2. 1. 2. 3. 4. 5. 6. Calcular el valor de k. Distribuciones de condicionada a = y (y = 0, 1, 2). Son independientes y ? Calcular P ( + > 2) y P ( 2 + 2 1).

1.

El valor de k es aqul para el que se verica: e

w.

at e
2 2 2 2

Solucin o

ww

x=0 y=0

es decir, k = 1/36. 2. Las distribuciones marginales son: P ( = x) = x+1 (x + 1)(y + 1) = , para x = 0, 1, 2. 36 6 y=0 y+1 (x + 1)(y + 1) = , para y = 0, 1, 2. 36 6 x=0

P ( = y) = 3.

La distribucin de condicionada a = y (y = 0, 1, 2) es: o P ( = x | = y) = x+1 P ( = x, = y) = , para x = 0, 1, 2. P ( = y) 6

m
k(x + 1)(y + 1) = 36k = 1,

at

Distribuciones de Z = + y de = 2 + 2 .

ic a1

.c om

Calcular las distribuciones marginales.

4. Las variables y son independientes, pues P ( = x, = y) = P ( = x) P ( = y) , para todo x, y = 0, 1, 2. O, alternativamente, porque P ( = x | = y) = P ( = x) , para todo x, y = 0, 1, 2. 5. Se tiene que P ( + > 2) = P ( = 1, = 2) + P ( = 2, = 1) +P ( = 2, = 2) = 7 . 12

.c om

P ( 2 + 2 1) = P ( = 0, = 0) +P ( = 0, = 1) + P ( = 1, = 0) =

y = 2 + 2 : w 0 1 2 3 4 5 6 7 8 P ( = w) 1/36 1/19 1/14 0 1/16 1/13 0 0 1/14

ww

w.

at e

z 0 1 2 3 4

at

6. A partir de la funcin de probabilidad conjunta del vector aleatorio o (, ) se concluye que la variable Z = + tiene distribucin: o P (Z = z) 1/36 1/19 5/18 1/13 1/14

ic a1

5 . 36

P5.7] Consideremos una urna con 3 bolas azules, 2 blancas y 1 roja. Extraemos 3 bolas sin reemplazamiento, y consideremos las variables aleatorias que nos dan el nmero de bolas azules y el nmero de bolas blancas u u que aparecen en la extraccin. Calcular la distribucin de probabilidad o o conjunta. Solucin o =0 0 0 1/20 =1 0 6/20 3/20 =2 3/20 6/20 0 =3 1/20 0 0

=0 =1 =2

1. 2. 3. 4. 5.

Calcular la funcin de probabilidad conjunta. o Distribuciones de condicionada a = y (y = 0.,10). Son independientes y ? Probabilidad de que | | 1.

Solucin o 1.

Ntese que si una de las dos variables ( o ) toma un valor mayor o que 1 o bien igual a cero, la probabilidad P ( = x, = y) ser nua la si la otra variable toma un valor distinto de 1. Por lo tanto P ( = x, = y) es: =
1 10 2 1 10 2 1 10 2 1 10 2

ww

w.

at e
10y

Calcular las distribuciones marginales.

at

i=0 10x j=0

10y i

ic a1
= 1/2
y

P5.8] Denimos sobre el experimento de lanzar diez veces una moneda las variables aleatorias como el nmero de lanzamiento en el que aparece u la primera cara (si no aparece cara = 0), y como el nmero de u lanzamiento en el que aparece la primera cruz (con = 0 si no aparece cruz).

10x j

= 1/2x

2.

Las correspondientes distribuciones marginales son:

.c om
, si , si

, si x = 1, y = 0 x = 1, y = 2, . . . , 10

, si x = 0, y = 1 x = 2, . . . , 10, y = 1

P ( = x) = =

10 y=0 1 10 2 1 10 2 1 2x 10 x=0 1 10 2 1 10 2 1 2y

P ( = x, = y) = , si x=0 x=1 x = 2, . . . , 10

10 y=2

1/2y = 1/2

, si , si

P ( = y) = =

P ( = x, = y) = , si y = 0

10 x=2

1/2x = 1/2 , si

y=1

, si y = 2, . . . , 10

3. Si y = 0 : P ( = 1 | = 0) = si y = 1 : P ( = x | = 1) =

y por ultimo, si y = 2, . . . , 10 :

at e

m M
ww w.
P ( = 2, = 1) = 5. Finalmente:

2x1

1 9 2 1

at
10 i=0

ic a1
1

, si x = 0 , si x = 2, . . . , 10

P ( = 1 | = y) =

2y1

4. Las variables aleatorias y no son independientes, pues, por ejemplo: 1 1 1 = P ( = 2) P ( = 1) = 2 . 22 2 2

P (| | 1) = 1 P (| | = 0) = 1 P ( = ) = 1 P ( = i, = i) = 1.

P5.9] En una jaula hay un ratn y dos pollitos. La probabilidad de que cada uno o de los animales salga de la jaula en la prxima hora es de 0.3. Esperamos o una hora y observamos lo que queda en la jaula.

.c om
.

P ( = x, = 0) = 1, P ( = 0)

1. 2. 3.

Cmo se distribuye la variable aleatoria que cuenta el nmero de o u animales que quedan en la jaula? Si es el nmero total de patas de los animales que hay en la jaula, u dar la distribucin conjunta de (, ). Son y independientes? o Cul es la probabilidad de que el nmero de patas no supere al a u doble del nmero de animales? u

Solucin o 1. La variable aleatoria que cuenta el nmero de animales que quedan u en la jaula tiene la siguiente distribucin: o P ( = x) = 2. 3 0,33x 0,7x , para x = 0, 1, 2, 3. x

Adems, las variables y no son independientes, pues: a

3.

La probabilidad de que el nmero de patas no supere al doble del u nmero de animales viene dada por: u P ( 2) = P ( = 0, = 0)+P ( = 1, = 2)+P ( = 2, = 4) = 0,3. Esto puede observarse en la gura 5.1.

P5.10] Sea (, ) una variable aleatoria bidimensional con funcin de densidad o f (x, y) = 24y (1 x y), si (x, y) pertenece al recinto limitado por las rectas x + y = 1, x = 0, y = 0. 1. 2. 3. Calcular la funcin de distribucin de la variable aleatoria bidimeno o sional (, ) . Calcular las funciones de densidad marginales. Calcular las funciones de densidad condicionadas.

ww

w.

P ( = 0, = 0) = 0,33 = P ( = 0) P ( = 0) = 0,36 .

at e

La distribucin de probabilidad conjunta del vector aleatorio (, ) o es: 0 1 2 3 | 0 0,027 0,027 0 0 0 0 0,126 2 0 0 0,126 0 0,21 4 0 0,063 0,147 0 0,294 6 0 0,294 0 0 8 0 0 0,343 0,343 0,027 0,189 0,441 0,343 1

at

ic a1

.c om

T q q q q q

= 2

Figura 5.1: Diagrama para el ejercicio P5.9.

ww

w.

at e
R4 R3 R2 R6 R5 x

R1

Figura 5.2: Regiones del plano para el problema P5.10.

at

ic a1

.c om

Solucin o Dividimos IR2 en distintas regiones segn muestra la gura 5.2, y en cada u una se obtiene: si (x, y) R1 : F (x, y) = 0; si (x, y) R2 :
x y 0

F (x, y) =
0

24t (1 s t) t s = 12y 2 x 6y 2 x2 8y 3 x;

si (x, y) R3 :
1y y

F (x, y) =
0 x 0

24t (1 s t) t s +

= si (x, y) R4 :
x

y (2y 8y + 6) (1 x)4 + y 4 ;

1y 2 2

m
1s 0 1t 0

F (x, y) = si (x, y) R5 :

ww

w.

at e
0 y 0

F (x, y) =

si (x, y) R6 : F (x, y) = 1. Las correspondientes funciones de densidad marginales son:

1x

at
24t (1 s t) t s = 1 (1 x)4 ; 24t (1 s t) s t = y 2 (3y 2 8y + 6);

ic a1
0

.c om

1s

24t (1 s t) t s

f (x)

=
0

24y 3 24y 2 (1 x) 24y (1 x y) y = 2 3

3 3 3

y=1x

=
y=0

= 12 (1 x) 8 (1 x) = 4 (1 x) , para 0 x 1.
1y x=1y

f (y)

=
0

24y (1 x y) x = 24y (1 y) x 12yx2

x=0 2 2 2

= 24y (1 y) 12y (1 y) = 12y (1 y) , para 0 y 1.

R3

R5

R2 R1

R4 x

Figura 5.3: Regiones del plano para el problema P5.11.

Por ultimo, las funciones de densidad condicionadas son: f|=y (x) = 2(1 x y) 24y (1 x y) f (x, y) = = 2 2 f (y) 12y (1 y) (1 y)

para 0 y 1, 0 x 1 y, y f|=x (y) =

para 0 x 1, 0 y 1 x.

Solucin o

El recinto propuesto en el enunciado es el tringulo sombreado en la a gura 5.3. Dado que la funcin de distribucin es uniforme, entonces o o f, (x, y) = k para k un valor constante en el recinto y las integrales se reducen al clculo de reas. As a a :
2 0 0 x/2

ww

P5.11] Sea (, ) una variable aleatoria bidimensional con funcin de distribuo cin uniforme en el recinto limitado por y = x/2, x = 2, y = 0. Calcular o la funcin de distribucin. o o

w.

at e

es decir, k = 1. Por tanto, la funcin de distribucin es: o o si (x, y) R1 : F (x, y) = 0; si (x, y) R2 : F (x, y) = xy y 2 ;

24y (1 x y) 6y(1 x y) f (x, y) = = 3 3 fX (x) 4 (1 x) (1 x)

at

kyx = 1,

ic a1

.c om

R4 R3 R2

R6

R5 x

R1

Figura 5.4: Regiones del plano para el problema P5.12.

si (x, y) R4 :

si (x, y) R5 :

1. 2. 3.

Calcular la funcin de distribucin conjunta. o o Calcular las funciones de densidad marginales. Calcular las funciones de densidad condicionadas.

Solucin o 1. Consideremos las zonas del plano indicadas en la gura 5.4. La funcin de densidad es f (x, y) = 4/ cuando (x, y) est en R2 , y o a f (x, y) = 0 cuando (x, y) est fuera de R2 . Para calcular la funcin a o de distribucin es util el siguiente resultado: o 1 x2 x = 1 arcsenx + x 2 1 x2 + c.

De este modo, considerando un punto (x, y) arbitrario pero jo:

ww

C = (x, y) IR2 : x2 + y 2 < 1, x 0, y 0 .

w.

P5.12] Sea (, ) una variable aleatoria bidimensional con distribucin uniforme o en el recinto:

at e

at

F (x, y) = y(2 y); F (x, y) = 1.

ic a1

F (x, y) =

x2 ; 4

.c om

si (x, y) R3 :

si (x, y) R1 : F (x, y) = 0; si (x, y) R2 :

y x 0

F (x, y) =
0

4 s t = xy
1s2 0

si (x, y) R3 : F (x, y) =
0

1y 2 0

x 4 t s+ 1y 2

4 t s = 1 y2 ;

1 y2 +

1 arcsenx + x 1 x2 arcsen 1 y 2 y 2 si (x, y) R4 :

x 1s2 0

1t2 0

si (x, y) R6 :

2. Las funciones de densidad marginales son:

at e

1x2

w.

at

F (x, y) =

4 2 s t = arcseny + y F (x, y) = 1.

ic a1
4 4 y =

si (x, y) R5 :

.c om

F (x, y) =

4 2 t s = arcsenx + x 1 x2 ;

1 y2 ;

ww

f (x) =
0

1 x2

si 0 < x < 1, y f (x) = 0 en el resto; y 2 1y 4 4 x = f (y) = 0 si 0 < y < 1, y f (y) = 0 en el resto. 3. Para todo x [0, 1] : f|=x (y) =

1 y2

si 0 y 1 x2 y cero en el resto. Dado que para la variable condicionada el valor de x es un par ametro jo, su distribucin ha o resultado uniforme en el intervalo [0, 1 x2 ]. De forma similar la variable condicionada a = y sigue una distribucin uniforme en o [0, 1 y 2 ] cuando y [0, 1].

1 f (x, y) = f (x) 1 x2

P5.13] Sea una muestra aleatoria simple de tamao n, obtenida de una distribun cin uniforme en [0, 1]. Sean = mx {1 , . . . , n } y = m {1 , . . . , n }. o a n Se pide: 1. 2. 3. 4. 5. 6. Calcular las distribuciones de , de y de la conjunta. Funcin de densidad condicionada de dado . o Funcin de densidad condicionada de dado . o Esperanza de , 2 y varianza de . Esperanza de , 2 y varianza de . Esperanza condicionada de dada .

Solucin o 1. Para w [0, 1] se tiene: F (w) = P mx i w = P (1 w, . . . , n w) . a

i

ic a1

Ntese que las variables aleatorias 1 , . . . , n son independientes y o estn idnticamente distribuidas, por lo que se puede armar que: a e P (1 w, . . . , n w) = [P ( w)] , obtenindose as que e
n

ww

F (z)

w.

Por otra parte, y procediendo de forma anloga al caso anterior, se a obtiene que: = P m i z = 1 P m i > z = n n
i i

at e

F (w) = wn , para 0 w 1.

at

.c om

= 1 P (1 > z, . . . , n > z) = 1 [P ( > z)] n = 1 (1 z) , para 0 z 1.

i i

Como se verica que 0 m i mx i 1, el vector (, ) se n a distribuye en la regin comprendida entre las rectas z = w, w = 1, o z = 0. Vamos a hallar la funcin de distribucin en el interior de o o esta regin, ya que la funcin de densidad se obtiene derivando en o o esa zona. La funcin de distribucin conjunta es: o o F, (w, z) = = = P mx i w, m i z a n
i i

P mx i w P mx i w, m i > z a a n
i

F (w) [P (z < w)] = w (w z) ,

i n

para 0 w 1, z w.

2. A partir de lo anterior se obtiene que: f (w) f (z) f, (w, z) y por lo tanto: f|=z (w) = 3. Anlogamente, a f|=w (z) = (n 1) (w z) f, (w, z) = f (w) wn1
1 n2

= nwn1 , 0 w 1, = n (1 z)
n1

, 0 z 1,
n2

= n (n 1) (w z)

, 0 w 1, z w,
n2

(n 1) (w z) f, (w, z) = n1 f (z) (1 z)

, z w 1.

, 0 z w.

4. Utilizando los resultados del apartado anterior se obtiene que:

0

Por lo tanto:

ic a1
2

E 2

w2 nwn1 w =

5. De la misma forma, se obtiene:

1

at e

V () = E 2 (E []) =

at

.c om
n
2

E [] =

wnwn1 w =

n , n+1 n . n+2 .

(n + 1) (n + 2) 1 , n+1

w.

M
0 1

E [] = E 2 =

zn (1 z)

n1

z =

z 2 n (1 z)

n1

z =

2 , (n + 3) (n + 2) (n + 1) 1 n+1
2

ww

V () = 6. Por ultimo:

2 (n + 3) (n + 2) (n + 1)
1

E [ | = z]

=
z

w f|=z (w) w n1
1 n1

w (1 z) z 1z , para 0 z 1. = 1 n P5.14] Dado el intervalo [0, 1], se eligen al azar tres nmeros a, b y c y con ellos u construimos la ecuacin de segundo grado ax2 + bx + c = 0. Calcular la o probabilidad de que tenga soluciones reales. =

w (w z)

n2

Solucin o Para que esta ecuacin tenga soluciones reales, el discriminante, b2 4ac, o ha de ser mayor o igual que cero. Por lo tanto, la probabilidad deseada es P B 2 4AC 0 , donde A, B y C son variables aleatorias con distribucin uniforme sobre el intervalo [0, 1]. Para ello, vamos a considerar o una nueva variable aleatoria = AC, con funcin de densidad f (x). Se o tiene entonces que: P B 2 4AC 0 = 1 P B 2 4AC < 0 = 1 P B <
1/4 2 x 1 1

4AC =

= 1
0 0

fB (b) b f (x)x
1/4 0

fB (b) b f (x)x.

Ahora bien, la funcin de densidad de la variable aleatoria se obtiene a o partir de: F (x) = P ( x) = P (AC x) = =
0 1 0

fC (c) c fA (a) a
x/a

at
0

ic a1

+
x

fC (c) c

y por lo tanto:

Sustituyendo en el desarrollo anterior se tiene que: 1 3 1 1 1 5 + ln2 = 0, 2544. P B 2 4AC 0 = 1 ln2 + ln2 = 3 9 4 2 36 6 Antes de terminar conviene observar que, aunque a sea distinto de cero con probabilidad 1, no conviene dividir por a y estudiar la ecuacin o x2 + (b/a)x + (c/a) = 0, ya que, aunque A, B, C sean independientes, las variables B/A y C/A no lo son. P5.15] Sea f (x, y) = cyex , x y 0; f (x, y) = 0 en el resto. 1. Calcular c y obtener las funciones de distribucin conjunta, maro ginales y condicionadas. Expresar y comprobar la relacin que hay o entre ellas.

ww

w.

f (x) =

at e

= x xlnx,

F (x) = lnx, para x [0, 1] . x

.c om

fA (a) a =

R4

R3 x R2

R1

Figura 5.5: Regiones del plano para el problema P5.15.

Solucin o

y esto se cumple si c = 1. Para obtener la funcin de distribucin conjunta, debemos dividir o o el plano en diferentes regiones y estudiar el valor de la probabilidad F (x, y) = P ( x, y) en cada una. Se tiene: si x y 0:
x y s

ww

w.

at e
x

m
0

at

1. La funcin f (x, y) = cyex debe vericar: o

cyex y x = 1,

ic a1
x2 y2 x+1 2 2

.c om

2. Calcular la esperanza de dado + 2 = 0, la funcin caracter o stica de dado + 2 0; la funcin de distribucin de dado + 2 o o 0 + 2; y la funcin de densidad de dado + + 2 0. o

F (x, y) =

tes t s =

ex ,

si y x:
y y s

F (x, y) =

tes t s = (1 y) ey ,

si x 0, y 0:
x 0 t

F (x, y) =

tes t s =

x2 x + 1 ex , 2

en otro caso: F (x, y) = 1. Por otra parte, las correspondientes funciones de distribucin maro ginales son:
x 0 s y s

F (x) F (y)

=
y

tes t s =

x2 x + 1 ex , para x 0. 2

tes t s = (1 y) ey , para y 0.

Las funciones de distribucin condicionadas son: o Si y 0: F|=y (x) = Si x 0: F|=x (y) = 2. Se obtiene que:
Rx yes s R y s

ye s

= exy

si x y si y < x.

.c om
0

Ry tex t Rx 0 x
x

1 0

ic a1
1 P ( 2)

te t

=1

y 2 x

si x y 0 si y 0 si y < x.

at m

E [ | + 2 = 0] = E [ | = 2] =

Adems, la funcin caracter o stica de dado + 2 0 es: a

at e

4 yf|=2 (y) y = . 3 2
0 2

ww

w.

|2 (t)

= E eit | 2 = 1 F (2) e2 + e 3
0 2 it

eity f (y) y

= =

eity (ey + (1 y) ey ) y 1 it + 1 2 eit . 3 it + 1

o o Y la funcin de distribucin de dado + + 2 0 es: F|++20 (y) = F|2 (y) = = P|2 ( y) = P ( 2 y) P ( 2 ) F (2, y) F (2, 2) = = F (2, 0) F (2, 2) y2 = 1 , para 2 y 0. 4 =

(x, y) d d d

-100

-30

d 0

30

60

E 100

Figura 5.6: Plano del teatro del ejercicio P5.16.

F|++20 (y) = =

at

y 1 0 1

ic a1
t 2t t 2t

P ( y, + 2) = P ( + 2) tes s t =

ww

w.

Por lo tanto, tras derivar en la anterior expresin se obtiene: o f|++20 (y | + + 2 0) = yey ye2y . e2 + 2e1 1

P5.16] Un teatro romano tiene las gradas en forma de semianillo circular con las dimensiones de la gura 5.16. Cuando se compra una entrada cada asiento es equiprobable (distribucin uniforme en las gradas). o 1. Calcular la funcin de densidad de la variable aleatoria T que mide o la distancia entre el lugar al que corresponde una entrada (el punto (x, y) y el centro del escenario (el origen 0). 2. Calcular la funcin caracter o stica de T y a partir de ella obtener su varianza. 3. Cul es la probabilidad de que el sitio est a la sombra, esto es, a a e ms de 60 metros a la derecha del eje ? Hallar la posicin media a o en este caso.

at e
=

tes s t

ey (y 1) + e2y (y + 1) + 2e1 . e2 + 2e1 1

.c om

Por ultimo, para obtener la funcin de densidad de dado + + o 2 0, calculemos primero la correspondiente funcin de distribucin o o para posteriormente derivar. As se obtiene que: ,

Solucin o 1. El rea de las gradas es 1002 302 /2, y por tanto: a f (x, y) =
2 (1002 302 )

, si el punto (x, y) pertenece a las gradas , en otro caso

Para hallar la funcin de densidad de la distancia al origen, obteno gamos primero: FT (t) = P (distancia al centro < t) = =
(t2 302 ) 2 (1002 302 ) 2

T (s) = E eisT = E [cos (sT )] + iE [sen (sT )] , t t = 4550 30 1 cos (100s) + 100ssen (100s) cos (30s) 30ssen (30s) , = 4550 s2 mientras que: E [sen (sT )] = 1 sen (100s) + 100scos (100s) + sen (30s) 30scos (30s) . 4550 s2 Se obtiene nalmente que: E [cos (sT )] = cos (st)

ww

w.

T (s) =

Adems, teniendo en cuenta que: a k) T (s) |s=0 = mk , k = 1, 2, . . . sk se obtiene: V (T ) = m2 m2 = 1 2) T (s) |s=0 s2 T (s) |s=0 s
2

at e

donde:

at

is 100eis100 30eis30 eis100 + eis30 . s2

ic a1
100

t2 900 t2 302 = , 1002 302 9100 para 30 t 100, y derivando en la anterior expresin se concluye o que: t para 30 t 100. fT (t) = 4550 Ntese que la funcin de distribucin de la variable se ha obtenido o o o a partir de las reas de los correspondientes semianillos circulares. a 2. La funcin caracter o stica de la variable aleatoria T es:

.c om

 200

frutales 100 hortalizas 0 200 E

Figura 5.7: Plano de la nca del ejercicio P5.17.

y x =
60 0

2236,5

P5.17] Una nca cuadrada cuyo lado mide 200 metros est dividida en dos a partes iguales, una con frutales y otra con hortalizas, tal como muestra la gura 5.7. En la esquina 0 duerme el perro guardin. Cuando el perro se a despierta, si detecta la presencia de un intruso sale en su persecucin moo vindose slo en las direcciones de los ejes. El ladrn, que queda inmvil al e o o o despertarse el perro, se encontrar en un punto aleatorio de la nca (, ). a La primera coordenada tiene funcin de densidad f (x) = x/2000 si o 0 x 200; y cero en otro caso. La segunda coordenada se distribuye uniformemente dentro de cada cultivo, pero la probabilidad de encontrarse en los frutales es doble que en las hortalizas. El perro corre a 10 m/s. 1. Hallar la funcin de distribucin de la coordenada . o o 2. Hallar la funcin de densidad del tiempo que tarda en coger al ino truso. 3. Hallar la primera coordenada de la posicin media en que se da o caza, en menos de 15 segundos, a un ladrn que se encuentra en los o frutales.

ww

w.

at e

(1002 302 ) 2

at

y por lo tanto, la probabilidad que se pide es: = 0. 15646.

ic a1
60

100

1002 x2

100

1002 x2 x = 2236,5,

.c om

3. Para obtener la probabilidad de estar a la sombra se calcula el rea a de la zona a la sombra:

Solucin o 1. De acuerdo con los datos del problema, la funcin de densidad de la o variable es de la forma: 1 a , si 0 y 100 f (y) = 2 , si 100 < y 200 a Adems, debe vericarse: a
100 0

1 y + a

200 100

2 y = 1, a

Efectuando los clculos correspondientes se obtiene: a f (y) = 1/300 2/300 si 0 y 100 si 100 < y 200

Si 0 t 10:
10t 10ty 0

ww

w.

2.

En primer lugar calculemos la probabilidad de que tarde menos de t segundos en coger al intruso, es decir, la funcin de distribucin de o o la variable T en el punto t. Dado que para llegar a un punto (x, y) el perro debe recorrer x + y metros, entonces dicha probabilidad es equivalente a la de que el intruso se encuentre en un punto (x, y) que verique (x + y) /10 t. Hay que distinguir varios casos: t3 x xy = 5 6 10 3600

at e
FT (t) =
100

Es decir, la distribucin marginal es x/(3 105 ) en los frutales y o x/(6 105 ) en las hortalizas.

Si 10 < t 20:
10ty 0

at
0

x 1 300 2000 x 2 300 2000

= =

x 600000 x 300000

ic a1
si si

y, por lo tanto, ya que y son variables aleatorias independientes, se tiene: f, (x, y) = f (x) f (y) 0 x 200, 0 y 100, 100 < y 200, 0 < x 200.

.c om

FT (t) =
0

x xy + 6 105

10t 100 0

10ty

x xy 3 105

Si 20 < t 30:
100 10ty 0

FT (t) =
0

x xy + 6 105

200 100 0

10ty

x xy 3 105

Si 30 < t 40:
100 200 0

FT (t) =
0

x xy + 6 105 FT (t) = 1.

200 100 0

10ty

x xy 3 105

Si 40 < t: Derivando FT (t) se obtiene la funcin de densidad deseada. Otra o alternativa ms propia de este cap a tulo consiste en calcular la funcin o de densidad conjunta de la variable (T, S), donde T := ( + )/10 y S := , teniendo presente que conocemos la funcin de densidad o de la variable (, ). Concretamente, dado que = S y = 10T S entonces fT,S (t, s) = 10 f, (s, 10t s). 3. Se desea ahora calcular el valor esperado de supuesto que 100 y + 150. La funcin de distribucin de esta variable aleatoria o o condicionada Z es:

w.

La funcin de densidad es: o

at e

FZ (z) =

z 150x (x/300000)yx 0 100 50 150x (x/300000)yx 0 100

m
50 0

at

Claramente los valores relevantes suceden para 0 z 50, y para cada uno: = 150z 2 2z 3 . 125000

fZ (z) =

300z 6z 2 125000

y por tanto la esperanza solicitada es: E[Z] = zfZ (z)z = 25.

ww

ic a1

FZ (z) =

P ( z, 100, + 150) P ( 100, + 150)

.c om

CAP ITULO

Convergencia

en todo punto x en el que F sea continua, diremos que Fn converge en Sea {n } una sucesin de variables aleatorias denidas sobre el espacio de o probabilidad (, , P ). Se dice que la sucesin converge en probabilidad o a una variable aleatoria si, para cualquier > 0:
n

at e
L

m
n

l Fn (x) = F (x), m

at

Sea {Fn } una sucesin de funciones de distribucin. Si existe una funcin o o o de distribucin F tal que: o

ic a1
r

.c om

Se denota n .
r Sea {n } una sucesin de variables aleatorias tales que E [n ] < , para o algn r > 0. Se dice que n converge en media r hacia una variable u aleatoria si E [ r ] < y adems: a

ww

w.

ley a F , y se denota Fn F , o, equivalentemente, n .

l P ({w : |n (w) (w)| > }) = 0. m

n r

l E[|n | ] = 0, m

y se denota n . Si r = 2, se dice que la sucesin converge en media o cuadrtica hacia la variable . a 169

Sea {n } una sucesin de variables aleatorias denidas sobre el espacio o de probabilidad (, , P ). Diremos que esta sucesin converge casi seguro o hacia una variable aleatoria si y slo si, o P ({w : l n (w) = (w)}) = 1, m
n

y se denota n . A continuacin se observan las relaciones que existen entre los distintos o tipos de convergencia: n n n Adems, si n , para algn r > 0, se verica n . a u Una secuencia de variables aleatorias 1 , . . . , n , . . . cumple la Ley Dbil e de los Grandes Nmeros si la sucesin de variables aleatorias 1 , . . . , n , . . . u o n 1 denida por n = n i=1 (i E[i ]) converge en probabilidad a 0. El teorema de Tchebyshev arma que, dada una sucesin de variables aleao torias 1 , . . . , n , . . . con media y varianzas nitas, y tal que l n V [n ] = 0, m entonces n E[n ] converge en probabilidad a 0 si y slo si para cualquier o > 0: l P ({w : |n (w) E[n (w)]| > }) = 0. m Una secuencia de variables aleatorias 1 , . . . , n , . . . cumple la Ley Fuerte de los Grandes Nmeros si la sucesin de variables aleatorias 1 , . . . , n , . . . u o n 1 denida por n = n i=1 (i E[i ]) converge casi seguro a 0. La Ley Fuerte de los Grandes Nmeros de Kolmogorov arma que, dada una u sucesin de variables aleatorias 1 , . . . , n , . . . con media y varianzas nitas, y o n tal que l n i=1 V [i ]/i2 < , entonces {n } cumple la Ley Fuerte de los m Grandes Nmeros. u Sea {n } una secuencia de variables aleatorias independientes e idnticamene te distribuidas, con media y varianza 2 nitas. Se verica, por el Teorema Central del L mite, n i=1 i n L Z, / n donde Z es una variable aleatoria normal con media cero y varianza 1.
r P c.s. P L

c.s.

ww

P6.1] Sea {Xn }nN una sucesin de variables aleatorias con distribucin: o o k 0 1 1/n 1 P (Xn = k) 1 1/n 1/ (2n) 1/ (2n)

w.

Ejercicios Resueltos

at e

at

ic a1

.c om

Estudiar la convergencia en probabilidad, en ley y en media cuadrtica a de esta sucesin a la variable X 0. o Solucin o Estudiemos en primer lugar si la sucesin {Xn }nN converge en probao bilidad a la variable X 0. Para ello, dado un > 0, se tiene que: P (|Xn X| > ) P (Xn = 1 1/n) + P (Xn = 1) = 1/n , si < 1 1/n P (Xn = 1) = 1/ (2n) , si 1 1/n < 1 , = 0 , si 1 probndose as que esta sucesin converge en probabilidad a la variable a o X. Para estudiar la convergencia en ley, ntese que la funcin de distribucin o o o de la variable Xn , n N es: , si t < 0 0 1 1 , si 0 t < 1 n 1 n FXn (t) = 1 2n1 1 1 , si 1 n t < 1 1 n + 2n = 2n 1 , si t 1

y se verica:
n

at
ww w.

ic a1
0 1
2

que es la funcin de distribucin de la variable aleatoria degenerada X o o 0. Por lo tanto, se concluye que la sucesin converge en ley a esta ultima o variable. Finalmente, se analizar la convergencia en media cuadrtica de la sucea a sin. Para ello es necesario calcular: o E |Xn 0| Se observa que:
n 2

at e

l FXn (t) = m

, si , si

1 n

1 2n2 n + 1 1 + 12 = . 2n 2n 2n3

l E |Xn | m

= 0,

de lo que se sigue que la sucesin converge en media cuadrtica a la o a variable aleatoria degenerada X 0. P6.2] Sean {Xi }i=1 variables aleatorias independientes distribuidas uniformemente en el intervalo [0, ] , > 0. Estudiar la convergencia en ley de la variable aleatoria X(n) = mx Xi . a
i{1,...,n} n

.c om

t<0 , t0

Solucin o Las variables aleatorias Xi , i = 1, .., n tienen como funcin de distribucin o o a: t FXi (x) = , para x [0, ] . La variable X(n) , por su parte, tiene como funcin de distribucin, para o o t [0, ): FX(n) (t) = P X(n) t = P mx a Xi t = P (X1 t, . . . , Xn t) ,

i{1,...,n}

y, ya que estas variables son independientes, se verica: FX(n) (t) = P (X1 t, . . . , Xn t) = [P (X1 t)] =
n

FX (t) =

Solucin o

Sea una sucesin de variables aleatorias {Xn }nN y una variable aleatoria o X con la siguiente distribucin conjunta: o Xn | X 1 2 3 1 0 0 1/3 2 1/3 0 0 3 0 1/3 0

ww

w.

P6.3] Dar un ejemplo de una sucesin de variables aleatorias {Xn }nN que o converja a una variable aleatoria X en ley pero no en probabilidad.

at e

que es la funcin de distribucin de la variable aleatoria degenerada X o o 0.

at

0 1

, si , si

ic a1

Adems, FX(n) (t) = 0 si t < 0, y es igual a 1 si t . Se observa que, a cuando n tiende a innito, esta funcin de distribucin tiende a: o o t< , t

Esta sucesin converge en ley a la variable aleatoria X, pues: o , si t < 1 0 1/3 , si 1 t < 2 FXn (t) = , 2/3 , si 2 t < 3 1 , si t 3

.c om
.

y se verica que:
n

l FXn (t) = FX (t) , m

Sin embargo, dado un > 0 : 1 1/3 P (|Xn X| > ) = 0 , si , si , si 0<<1 1<2 , 2

que no converge a cero cuando n , por lo que la sucesin {Xn }nN o no converge en probabilidad a la variable X. P6.4] Sea {Fn } una sucesin de funciones de o guiente forma: , si 0 1 1 n , si Fn (t) = 1 , si distribucin denidas de la sio t<0 0t<n . nt

Solucin o

at

Esta sucesin converge de forma clara a: o

P6.5] Sea la sucesin de variables aleatorias {n } tales que: o P (n = 0) = 1 1 n2 1 P (n = n) = 2 n

para n = 1, 2, . . .. Demostrar que esta sucesin converge en probabilidad o a la variable aleatoria degenerada 0, pero sin embargo no converge en media cuadrtica. a Solucin o Para estudiar la convergencia en probabilidad es necesario ver, para todo > 0, la convergencia en el l mite de P (|n 0| > ). Se observa que: P (|n 0| > ) = 0
1 n2

ww

w.

que es la funcin de distribucin de la variable aleatoria 0. Por lo o o tanto: L n 0.

at e

F (t) =

ic a1
0 , si 1 , si

Estudiar la convergencia en ley de esta sucesin. o

t<0 , t0

.c om
, si , si

<n , n

por lo que:
n

l P (|n 0| > ) = 0. m
2

Sin embargo, ntese que E |n | = 1, por lo que esta sucesin no cono o verge en media cuadrtica a la variable aleatoria 0. a P6.6] Aplique la Ley Dbil de los Grandes Nmeros a un ejemplo. e u Solucin o Supongamos que un jugador de baloncesto realiza una serie de lanzamientos a canasta, siendo p = 2/3 su probabilidad de encestar en cada tiro. Sean 1 , 2 , . . . , n variables aleatorias independientes con distribucin de o Bernoulli de parmetro p = 2/3, donde cada variable representa el resula tado de un tiro a canasta y p es la probabilidad de xito. Realizados n e n o tiros, i=1 i /n es la proporcin de aciertos. Entonces, de acuerdo con la Ley Dbil de los Grandes Nmeros, esta proporcin converge en probabie u o lidad a 2/3. Esto no quiere decir que la proporcin de aciertos se acerque o a 2/3 conforme crece n, sino que la probabilidad de que la diferencia entre esta proporcin y 2/3 sea mayor que una cierta cantidad > 0 tiende a o cero. P6.7] Una empresa realiza un test de 80 preguntas (con dos posibles respuestas cada una, de las que slo hay una cierta) a dos miembros de su plantilla o que han solicitado un ascenso a un puesto del que slo hay una plaza o vacante. Suponiendo que el primer empleado sabe la respuesta de 50 preguntas y contesta al azar a las 30 restantes, y el segundo empleado tan slo puede contestar correctamente a 20 y responde al azar al resto: o 1. Obtener la probabilidad de que el primer empleado conteste correctamente a ms de 40 preguntas. a 2. Cul es la probabilidad de que el segundo empleado responda adea cuadamente a un m nimo de 50 preguntas? 3. Si uno de los dos empleados contestara al azar a todas las preguntas, cul ser la probabilidad de que acertara al menos 40? a a Solucin o Suponiendo la independencia entre preguntas en el caso de cada empleado, sea X1 una variable aleatoria con distribucin binomial de parmetros o a n1 = 30 y p1 = 1/2 que representa el nmero de preguntas, del total de u 30 que responde al azar, que acierta el primer empleado. Sea tambin otra e variable X2 que representa esto ultimo en el caso del segundo empleado (de un total de 60 respondidas al azar), y sigue una distribucin tambin o e binomial de parmetros n2 = 60 y p2 = 1/2. a

ww

w.

at e

at

ic a1

.c om

1.

Aproximemos, mediante el Teorema Central del L mite, la distribucin discreta X1 a una normal o
X1 N (n1 p1 = 15, n1 p1 (1 p1 ) = 7,5) ,

aplicando adems una correccin por continuidad para el clculo de a o a la probabilidad: P (X1 > 10) P = 2. Z> 10 + 0,5 15 7,5 = 0,9495

De forma similar al apartado anterior, aproximemos la variable aleatoria X2 a una normal

X2 N (n2 p2 = 30, n2 p2 (1 p2 ) = 15) ,

obtenindose que: e P (X2 30) P = 3. Z> 30 0,5 30 15 = 0,5517

at

Denamos una variable Y que representa el nmero de respuestas u correctas del empleado, en el caso de que ste responda las 80 pregune tas al azar, y sigue una distribucin binomial de parmetros n = 80 o a y p = 1/2. Procediendo de forma anloga a los casos anteriores, la a probabilidad de que acierte al menos 40 preguntas es:

P6.8] El nmero de personas que acuden un banco en una semana para abrir u una cuenta sigue una distribucin de Poisson de parmetro = 1. Cul o a a es la probabilidad de que en dos aos (es decir, 104 semanas) se hayan n abierto ms de 100 cuentas? a Solucin o Sean Xi , i = 1, 2, . . . , n variables aleatorias independientes con distribucin de Poisson de parmetro = 1, que representan el nmero de persoo a u nas que acuden al banco en una semana determinada. La distribucin de o la suma de estas n variables es una Poisson de parmetro n. Teniendo en a cuenta lo anterior, y aplicando el Teorema Central del L mite, podemos aproximar la suma de las n = 104 variables (tantas como semanas hay en 2 aos), X = n
104 i=1

ww

Se tiene entonces que: P (X > 100) P = Z> 100 + 0,5 104 104 = 0,6331

w.

Xi , a una normal de parmetros = 104 y 2 = 104. a

at e

P (Y 40) P =

ic a1
Z>

40 0,5 40 20

.c om

= 0,5438