Variables aleatorias

Los nmeros no son todo lo que existe, pero cmo ayudan.

1. Definicin Frecuentemente, al realizar un experimento se tiene inters en estudiar algn aspecto cuantitativo del mismo (costos de produccin, inversin de una empresa, ganancias en un juego de azar, nmero de artculos defectuosos en una muestra, nmero de intentos fallidos en el lanzamiento de un cohete, tiempo de vida til de un artculo electrnico, etc.). Estas caractersticas cuantitativas definen una funcin entre el espacio muestral y el conjunto de los nmeros reales. Las funciones de inters para la probabilidad deben cubrir dos requisitos: representar la caracterstica cuantitativa de inters y permitir establecer una medida de probabilidad en E inducida por el espacio de probabilidades (l, A, P()). El siguiente ejemplo explica cmo establecer este tipo de funciones. 3.1. Un juego de azar consiste en tirar dardos a una ruleta giratoria. Si el dardo no pega a la ruleta, el intento se repite. En cada realizacin del experimento el dardo puede caer en la zona coloreada de azul, verde o rojo. El premio se otorga de acuerdo con el color donde se clave el dardo.
EJEMPLO

El espacio muestral del experimento es el conjunto l = {verde, rojo, azul}. La probabilidad de que el dardo caiga en la zona de cada color es proporcional al rea que ocupa dentro del crculo de la ruleta, esto es,

ww w.

M at

em

at

ic

a1

.c o

TABLA 3.1

Asignaciones de la ganancia de acuerdo con el color:

Si el dardo cae en el jugador ganancia

rojo verde azul gana $30 gana $15 pierde $10 30 15 -10

FIGURA 3.1

Disposicin de colores en la ruleta.

P({rojo}) = J.

ww w.

P({verde}) = i. P({azul}) = I. La ganancia del juego es una funcin dada por

M at

em

tal que G(rojo) = 30. G(verde) = 15. G(azul) = -10. En cada intento, la ganancia del juego G(o>) depende del azar, esto es, la ganancia es un valor aleatorio. Entonces es razonable preguntarse sobre la probabilidad de que la ganancia pueda ser 30,15 o 10. Es claro que la probabilidad de ganar 30 pesos coincide con la probabilidad de que el dardo atine en el rea roja, y as para los otros valores. Entonces la probabilidad asociada a la ganancia es: P(G = 30) = P(rojo) = i

at ic

G:Q->R

a1

.c om

 P(G = 15) = P(verde) = \. P(G = - 1 0 ) = P(azul) = . Como se ve, la funcin G((o) induce un espacio de probabilidades en el conjunto de los nmeros reales. La funcin G es un ejemplo de variable aleatoria. 3.1. Dado un espacio de probabilidades (l, A, P(-)), se dice que la funcin
DEFINICIN
. \L > JK.,

es medble si y slo si los conjuntos de la forma

es medible.

Las variables aleatorias, por lo general, se denotan con las ltimas letras maysculas del alfabeto. 3.2. Se lanzan tres volados con una moneda no cargada. El espacio muestral asociado a este experimento es
EJEMPLO

l = {(s, s, s), (s, s, ), (s, a, s), (a, s, s), (s, a, a), (a, s, a), (a, a, s), (a, a, a)}. Sea X(o)) la variable que indica el nmero de guilas al efectuarse el experimento; entonces los valores que puede tomar X((o) son: 0,1,2 y 3. Por ejemplo, X = 1 corresponde al evento

ww w.

En la tabla siguiente se presentan los elementos del espacio muestral l, agrupados de acuerdo con los valores que toma la variable aleatoria X; en la ltima columna estn los valores de la probabilidad correspondiente.

M at

{(s,s, a), (s,a,s), (a,s,s)}.

em

DEFINICIN 3.2. Dado un espacio de probabilidades (l, A, P(0), se llama variable aleatoria (v. a.) a una funcin medible cuyo dominio es l y cuyo codominio es R. Esto es, X es una variable aleatoria si

at ic

a1

son eventos.

.c om

{o) G l | X((o) <r}GA

Vr > 0

elementos de l (a, a, a) (a, a, s) (a, s, a) (s, a, ) (a, s, s) (s, a, s) (a, s, s) (s, s, s)

X .3

P(X = 3) = I

P(X = 2) = ,
.1 .0 P(X = 1) = | , P(X = 0) = I.

3.3. Dada una variable aleatoria X, se llama rango o recorrido de X, Rx, al conjunto de puntos imagen de la variable
DEFINICIN

De esta manera, se tiene que = l y

Las variables aleatorias se clasifican en discretas y continuas. 3.4. Se dice que una variable aleatoria X es discreta si y slo si Rx es finito, o infinito pero numerable.
DEFINICIN Un conjunto A es numerable si existe una relacin biunvoca entre A y un subconjunto de los nmeros naturales.

ww w.

M at

3.3. Al lanzar un dado se gana $10 con el evento {1,2}; en otro caso se pierden $5. Sea Y la variable que indica la ganancia del juego; entonces Y puede tomar dos nicos valores, Y = 5, 10. La probabilidad asociada a la ganancia se encuentra en la siguiente tabla: Evento Ganancia Probabilidad {1,2} 10 P(Y = 10) = 2/6 = 1/3, {3,4,5, 6} -5 P(Y = - 5 ) = 4/6 = 2/3.
EJEMPLO

Rx = {* G R | existe o) l con X((o) = x}.

em

at ic

a1

.c om

La probabilidad de que la variable X tome un valor especfico k es igual a: P(X = k) = P({C e l | X((o) = k}).

3.5. Se dice que una variable aleatoria X es continua si y slo si el conjunto Rx es un intervalo, o la unin de dos o ms intervalos.
DEFINICIN EJEMPLO 3.4. Se lanza sucesivamente una moneda no cargada hasta que aparece la primera guila. Sea X la variable que indica el nmero de intentos por realizar antes de detener el proceso. Describa el rango de X.

Solucin Si en el primer lanzamiento cae guila, ah se termina el experimento; pero si cae "sol", se contina hasta tener la primera guila. Por lo tanto, el proceso puede continuar indefinidamente. El espacio muestral del experimento est dado por

Solucin El mnimo valor que puede tomar la variable X es cero, y esto ocurre cuando el foco es defectuoso de fabricacin. No puede determinarse el mximo valor de la variable X, slo se puede afirmar que entre ms tiempo pase, es menos probable que el foco siga funcionando; adems, es claro que los valores que puede tomar X no son discretos. Entonces, es razonable considerar que el rango de la variable X es Rx = [0, oo); por lo tanto, X es una variable aleatoria continua. El foco puede descomponerse en cualquier momento, y no necesariamente tiene que completar unidades de tiempo enteras.

ww w.

EJEMPLO 3.5. Se elige un foco al azar y se pone a funcionar. X es la variable aleatoria que indica el tiempo de vida til del foco.

M at

Rx es un conjunto infinito pero numerable, por lo que la variable aleatoria X es una v. a. discreta.

em

** = { 1 , 2 , 3 , 4 , 5 , 6 , . . . } .

at ic

Aqu se ve que el recorrido de X coincide con el conjunto de los nmeros enteros. El nmero de intentos posibles antes de tener la primera guila va de uno a infinito, esto es:

a1

.c om

l = {{), (s, a\ (s, s, a\ (s, s, s, a),... }.

Ejercidos
EJERCICIO 3.1. Considere que en un lago con "muchos" peces, se han marcado 10 de ellos y se ege una muestra de 15 peces al azar. Sea X la variable aleatoria que indica el nmero de peces marcados en la muestra, y (a) escriba el rango de X, (b) X es discreta o continua?

3.2. Suponga que se lanza repetidamente una moneda hasta que se obtienen 3 guilas, sea X la variable aleatoria que indica el nniero de intentos que se deben realizar para ello, cul es el recorrido de X?
EJERCICIO

2. Distribuciones de probabilidad

DEFINICIN 3.6. Se llama funcin de distribucin de probabilidades de la variable aleatoria X a la funcin

ww w.

M at

em

La funcin de distribucin de probabilidades corresponde a la probabilidad acumulada de la variable aleatoria.

tal que F(x) = P(X < x).

Observe que x representa a un nmero real y X a la variable aleatoria. TEOREMA

3.1. La funcin de distribucin F(x) tiene las siguientes

propiedades: 1. 2. 3. 4. F(x) es una funcin creciente. F(x) es continua por la derecha. Esto es, lm F(x) = F(a). Jim F(x)= 1. *Mm F(x) = 0.

at ic

F: R - + R ,

a1

3.3. Se lanza un dardo hacia una ruleta giratoria de un metro de dimetro; sea X la distancia entre el punto donde cay el diardo y el centro de la ruleta, (a) describa el rango de X, (b) X es discreta o continua?
EJERCICIO

.c om

Demostracin 1. Para probar que F(x) es creciente, se observa que para los nmeros x\ < x2 se tiene que: {(o l|Z(o>) < x\} C {<o l\X((o) < , y por el teorema (1.2.8) se sigue que P({co G Cl\X(a>) <xx})< P({> G que es equivalente a: F(xi) < F(x2), con lo que se concluye que F(x) es creciente.
ACB implica P(A) < P(B).

2. Para probar que F(x) es continua por la derecha, observe que

lm{jc I X < a + h, h > 0} = {x \ X < a}, lm F(x) = lin P(X<a + h) = P(X <) = F(a).
3. Para probar que lm^^oo F(x) = 1, observe que

4. Para probar que lm^-oo F(x) = 0, observe que

XOO

TEOREMA

3.2. Para wna variable aleatoria X se tiene que

ww w.

Km F(x) = lm P(X < x) = P(X < -oo) = P(RCX) = 0.

/t> OO

M at

lm F(x) = lm P(X <x) = P(X < oo) = P(RX) = 1.

P(a<X<b)
Demostracin Como

em

{X\ X < b} = {X\ X < a} U {X\ a < X < b},

se tiene que

P(X <b) = P(X <a) + P(a<X< b\

y entonces

P(a<X<b)

= P(X <b)~ P(X < a) = F(b) - F(a),

que es lo que se quera probar.

at ic

= F{b) - F(a).

a1

y que

.c om

{x\X<a]c{x\X<a

+ h,h>0},

3.6. Sea X una variable aleatoria continua tal que su funcin de distribucin es igual a
EJEMPLO
F W =

( l - ^ ^0

P a r a * 0, en otro caso.

Calcule (a) P(X > 2). (b) P(0.5 < X < 1.5). (c) P(ln(2) < X : Solucin: Como F(x) = P(X < x) entonces se tiene que (a) P(X > 2) = 1 - P(X < 2) = 1 - F{2) = 1 - (1 - e~2) = e~2. (b) P(0.5 < X < 1.5) = P(< 1.5) - P(X < 0.5) = F(1.5) - F(0.5) = e~0'5 - e~h5. (c) P(Ln(2) <X< Ln(3)) = F(LAI(3)) - F(Ln(2))
_ p-Ln{2) _
P-Ln(3)

2.1 Funcin de densidad de variables aleatorias discretas

DEFINICIN

de una variable aleatoria discreta X a la funcin

ww w.

M at

3.7. Se llama funcin de densidad de probabilidades

em

definida como f(x) = P(X = x).

Observe que las funciones de distribucin se escriben con una letra mayscula, mientras que las funciones de densidad de la misma variable se escriben con la misma letra pero minscula.

3.3. Dada una variable aleatoria discreta X, su funcin de densidad f(x) cumple las siguientes propiedades:
TEOREMA

2. E, Demostracin 1. Por definicin f(x) = P(X = x) =

P({)

at ic

_ I _ 1_ 1

. JK. > JK.,

a1

.c om

G ft| X((o) =

JC}),

y el primer axioma de la probabilidad dice que la probabilidad de cualquier evento es un nmero no negativo. Con esto se prueba la proposicin. 2. Si X es una variable aleatoria y Rx = {x\, x2, x$,..., } es numerable, entonces los eventos E = {co e Cl\X{o)) x} = {X = x} forman una particin de l. As, por el segundo y tercer axioma de la probabilidad, se tiene que

P(O) = P([j Et) = jt W ) = E /fe) = !

1=1 =l =l

TEOREMA 3.4. Si X es una variable aleatoria discreta, entonces para toda A IR se cumple

P(A)=

/(*<).

P(A) = P(A n Rx) + P(A n Rcx) = P(A n Rx) + 0

3.7. Sea X la variable aleatoria que indica el nmero de guilas que aparecen al hacer dos lanzamientos con una moneda no cargada. El espacio muestral del experimento es
EJEMPLO

ww w.

y entonces queda demostrado el teorema.

El rango o recorrido de la variable es Rx = {0, 1, 2}. La funcin de densidad de la variable aleatoria X y los elementos de l correspondientes son /(O) = } (s,s),

/(I) = i = \
115

M at

l = {(s, s), (s, a), {a, s), {a, a)}.

em

at ic

Demostracin Se sabe que P(RCX) = 0 y, por el teorema de la probabilidad total, se tiene que

a1

.c om

(s,a), (a,s),

 La funcin de distribucin de la variable aleatoria X es 0 six<0 1/4 siO<x<l, F(x) =

3/4 si 1 < x < 2,

1 SJC > 2 < 1.

Por ejemplo: F(0.5) = P(X < 0.5) = 1/4, F(1.5) = P(X < 1.5) = 3/4, Las respectivas grficas de las funciones de densidad y distribucin F(3) = P(X > 3) = 1.

son
1 -

0.750.500.25-

ww w.

M at

1 L

Funcin de densidad de X.
FIGURA

em
;l 3

3.2 Funciones de densidad y distribucin de X.

En todos los casos, la grfica de la funcin de densidad de una variable aleatoria discreta, se representa con lneas verticales cuya altura es igual a la probabilidad del valor correspondiente; y la grfica de su funcin de distribucin es escalonada, con el primer escaln de altura igual a cero y el ltimo escaln de altura igual a 1.
EJEMPLO 3.8. Se lanza sucesivamente una moneda no cargada hasta que aparece la primera guila. X es la variable aleatoria que indica el

at ic
Funcin de distribucin de X.

a1

.c om

nmero de intentos antes de detenerse. Encuentre las funciones de densidad y de distribucin de la variable X. Solucin El rango o recorrido de X es: X = 1,2,3,... La funcin de densidad se encuentra considerando que si se detiene el proceso en el fc-simo volado, es porque en los primeros k\ volados salieron soles y en el volado k cay un guila; entonces la probabilidad de que X tome el valor k es igual a

P(X = k) = ? ( ( L _ ^ , a)) = P(s)P(s)...P(s)P(a) =

Entonces, la funcin de densidad es

f(x,) > 0,

La primera propiedad se cumple trivialmente ya que ^ > 0 para todo nmero k > 1. La segunda propiedad dice que
OO 1

ww w.

Effi/(*) = !

M at

Slo para complementar el ejemplo, se probarn las dos propiedades:

Note que esta suma es el caso lmite de una suma del tipo sn = i + x + x 2 + x 3 + +Xa = x y
i=0
n

Sn = 1 + x + x2 + x3 A + x" h x" + s"+1 xSn = x + x2 + x3 -\

On Xn 1 X y

em

1= 1 ^

at ic

*-i

a1

*-i

.c om

y como los volados son eventos independientes, esta probabilidad se convierte en un producto de probabilidades.

Se restan los dos trminos.

despejando Sn se tiene que

1 - J C

'

y en el caso que |JC| < 1, cuando n oo, Sn > > As, cuando x = | , se tiene que
1 OO 1 1

-2S

1/2>

-2(r
.c om

La funcin de distribucin de X es

De aqu se desprende la definicin siguiente.

DEFINICIN

de una variable aleatoria continua X a la funcin

/ . K. > JfC,

tal que

ww w.

y si la funcin de distribucin F(x) es diferenciable en x, se tiene que

M at

En el caso continuo no se puede hacer esto, pero se puede ver que P(x < X < x + h) = F(x + h) - F(x),

3.8. Se llama funcin de densidad de probabilidades

em

at ic
/(*)^ =

2.2 Funcin de densidad de variables aleatorias continuas. En el caso de una variable aleatoria discreta, se defini la funcin de densidad para los elementos de su recorrido, como fx(x) = P(X = x).

a1
dx

dF{x)

En este sentido, se tiene que F(x) = (X

Joo

f(x)dx,

P(a < X < b) = f(x)dx = F{b) - F(a).

Ja

Considerando que la integral definida corresponde al rea bajo la grfica de la funcin de densidad, y como una lnea carece de rea, entonces en el caso de una variable aleatoria continua, P(a < X < b) = P(a < X < b) = P(a < X < b) = P(a < X < b). Como caso particular, se tiene que
Ja TEOREMA

P(X = a)= f f(x)dx = F(a) - F(a) = 0.

3.5. Dada una variable aleatoria continua X, su funcin de densidad f(x) cumple las propiedades:

dx y F(x) es creciente, entonces f(x) es no negativa. 2. Por definicin:

f(x)dx = lm f /(%)</*
/ OO
fl >O

ww w.

Demostracin 1. Como

M at

2. J~

TEOREMA

3.6. Para todo conjunto A c R , P(A) = /

JA

em
/l

= lm F(a) - F ( - a ) = 1 - 0 = 1 .
a>oo

Demostracin Si A c R , entonces A est formado por un conjunto de intervalos (abiertos o cerrados) cuyos extremos son a y b\ (a < b), para i = 1,2, 3 , . . . , y

at ic

a1
f(x)dx.

.c om

un conjunto discreto de puntos {x\, x%,...}. Sin perder generalidad, se puede suponer que los intervalos son abiertos; entonces ,ft i ))U{jc 1 , x2, . . . }
y

P(A) = J2 Piflh bd + P(X = x) = t' f(x)dx = / f(x)dx.

0 Jai JA

EJEMPLO

3.9. X es una variable aleatoria continua cuya funcin de

densidad es f(x) = kx, si 0 < x < 2. 1. Cul debe ser el valor de k para que f(x) sea funcin de densidad? 2. Encuentre P(X > 1). Solucin 1. El valor de k debe ser tal que se cumplan las dos propiedades de las funciones de densidad. La primera propiedad se cumple cuando k > 0. La segunda propiedad implica que

M at

y al despejar se tiene que k = 1/2.

2. P{X>\) = fif{x)dx = fi\

Ejercicios
EJERCICIO

cin.

ww w.

Jo r2 / f(x)dx ./o

2 f(x)dx=h
r2 kx22 2 kx = / kxdx = = 2k = 1, Jo 2

3.4. Verifique si las siguientes son funciones de distribu-

0 si x < 0; f si 0 < JC < 5; 1 si x > 5. (0 six<0; l$en-\x) siO < JC< 1;

em

at ic

a1

.c om

(c) F(x) ={
{1
EJERCICIO

si JC> 0.

3.5. Suponga que la funcin de distribucin de la variable

aleatoria X es

(a) Verifique que es creciente. (b) Encuentre la funcin de densidad de X. (c) Calcule la probabilidad P(l < X < 5).

lo

en otro caso.

EJERCICIO

1. f(x) = ex para x (0, oo), 0 en otro caso. 2. g(x) = 2e~2x para x G (0, oo), 0 en otro caso. 3. h(x) = (1 - X)f(x)+Xg(x) con A (0,1) y f(x) y g(x) de los incisos anteriores. 3.8. Demuestre la certeza o falsedad de la siguiente propuesta: Sean f\{x) y f2(x) dos funciones de densidad y Ai, A2 constantes no negativas tales que Ai + A2 = 1, y entonces h(x) = Ai/i(x) + A2/2OO es una funcin de densidad.
EJERCICIO EJERCICIO 3.9. Sea X la variable aleatoria discreta con funcin de densidad / ( - I ) = 1/8, /(O) = 6/8 y / ( I ) = 1/8. Evale P ( | J C - 1 / 2 | > 1).

ww w.

3.7. Demuestre que las siguientes son funciones de densidad de probabilidad de una variable aleatoria.

M at

(a) Determine el valor de la constante c. (b) Determine la funcin de distribucin de X, (c) Grafique las funciones de densidad y de distribucin de X.

em

at ic

f( \ _ cx _

a1

EJERCICIO 3.6. Suponga que una variable aleatoria discreta X tiene funcin de densidad

.c om

3. Distribuciones de funciones de variables aleatorias En ocasiones no se observa en forma directa la variable aleatoria de inters. Posiblemente se conoce la funcin de distribucin de una variable auxiliar de la cual depende, como se puede ver en el siguiente ejemplo.
EJEMPLO 3.10. Una mquina elabora balines de plata. El radio de los balines /?, que puede controlarse calibrando la mquina, es una variable aleatoria que toma valores en el intervalo (0.9,1.1) con igual probabilidad; esto es, su funcin de densidad est dada por

5 0

s i O . 9 < x < 1.1 en cualquier otro caso.

Solucin Se tiene inters en conocer la funcin de densidad del volumen de los balines, V. Para determinarla se parte de su definicin y de ah se despeja la variable /?. De esta manera, se obtiene la funcin de distribucin de V en trminos de la funcin de distribucin de R. Fv(x)

ww w.

M at

= = =

P(V < x) P (|irR 3 < JC) P (R< \/f^)

em

3 En este caso, V es una variable aleatoria que depende de R y se quiere conocer su funcin de densidad.

at ic

Al fabricante le interesa conocer la cantidad de plata que requiere comprar, y no el radio de los balines. Por lo tanto, su variable de inters es el volumen de los balines:

a1

Esto es,

.c om

por definicin al sustituir a V despejando a R

Observe que para distinguir las funciones de distribucin de las diferentes variables, stas se identifican mediante un subndice como etiqueta.

El recorrido de V se determina a partir del recorrido de la variable R, con la frmula:

El recorrido de R cumple la desigualdad: 0.9 < 1? < 1.1, y esto implica que

0.9<\-<U =*

Entonces,

em
ww w.

at ic
si

fv(x) = FV(X) = ^-FR\ (dp-) = fR\ \\p-\ / 3 \ dx dx V 4TT / V 4TT

a1

En este ejemplo se obtuvo una composicin de funciones dada por V(R(o))). La funcin de densidad de V se encuentra en trminos de la funcin de densidad de R.

M at

R(a>)

.c om
V(x)

"" V 4TT "" La funcin de densidad de V, fv, se encuentra al derivar la funcin de distribucin correspondiente usando la regla de la cadena:

f < V < (LD'f

n
FIGURA

3.3 Diagrama de la funcin de una variable aleatoria.

Si X es una variable aleatoria y h(x) es continua por trozos, entonces la variable Y = h(X) es medible. Su recorrido est dado por

y su funcin de densidad puede darse en trminos de la funcin de densidad deX. 3.11. Suponga que el tiempo de vida til de un foco es una variable aleatoria X, no negativa, con funcin de densidad
EJEMPLO

f(x) = Te~^

P^a

x > 0,

/ c (4.5) = P(C = 4.5) = P(X > 6)

ww w.

C = 4.5 si el tiempo de vida til del foco es mayor o igual a 6 meses, y C = 5, si el tiempo de funcionamiento del foco es menor que 6 meses. La funcin de densidad de la variable aleatoria C es

M at

= J 0.1e-0Axdx = -<T ai * | f = e-0'6. = 0.55

= [* O.le-OAxdx = -e~0Ax Jo * = 1 - e-'60. = 0.45.

TEOREMA 3.7. Dada X, una variable aleatoria discreta, yU = h(X), una funcin medible, la funcin de densidad de U en el punto u, es de la forma

donde Au = {x G Rx\ h(x) = w}.

em

Solucin Sea C la variable aleatoria que indica el costo generado al cambiar un foco, as, el recorrido de C es

at ic

Re = {4.5, 5},

Mu) = ]C fx(xd,

a1

con x medida en meses. El sistema de mantenimiento de una empresa ha decidido cambiar los focos cuando fallen o al cumplir 6 meses de haberse cambiado, lo que ocurra primero. Si el foco se cambia antes de los 6 meses, su falla genera un costo de $5. Si el foco se cambia a los 6 meses, su reemplazo genera un costo de $4.50. Cul es la funcin de densidad del costo generado por el cambio de un foco?

.c om

Observe que Au es la imagen inversa de la funcin h(x) en el nmero u. Demostracin Si Au = {x Rx\ h(x) = w}, entonces

Mu) = P(U = u) = P(X e Au) =

xAu

fx(Xi).

Queda demostrado el teorema. 3.8. Dada X, una variable aleatoria continua, U = h(X), una Juncin real de variable real continua y diferenciable en R y Au, el evento Au = {x G Rx\ h(x) = w}, entonces la Juncin de densidad de U en el punto u es
TEOREMA
u

fx(*i) n&

si Au es un conjunto discreto, si Au es un conjunto no discreto.

M at

em

Demostracin En las siguientes grficas se esquematiza el conjunto Au en los dos casos: discreto y no discreto. Ru, uRv*
M32Ki. ' X\ X2 X^ n ^X
I I II i fe P

at ic

< !AU fx(x)dx

a1

Mu) =

.c om

ww w.

/h(x)

O-A(JC)

II

111^

Kx

Caso 1: Au discreto FIGURA

x\ a

b x2 x3

Gaso 2: A no discreto 3.4 Imagen inversa deu =uh(x).

En la primera grfica de la figura 3.4, la imagen de h(x) es un intervalo y para todos los valores u en la imagen de h(x), Au es un conjunto discreto. En la grfica, para la u indicada se tiene Au = {x\, x2, x3}.
125

En la segunda grfica, la imagen de h(x) tiene slo 3 puntos, u\, U2 y . Para estos valores w, Au es un conjunto no discreto, por ejemplo para 3 2, en la grfica AU2 = (a,A)U{*i, * 2 Cada uno de estos casos se analiza en seguida. Caso 1: Au es un conjunto discreto: Como el conjunto Au es discreto, se puede escribir como Au = {x\, xi, x$,...}. Entonces, la funcin de densidad de la variable aleatoria [/ en M, no se puede calcular con la integral P(U = u) = / f(x)dx = 0. La funcin de densidad de U se encuentra a partir de la definicin

donde V = {x | JC Aii < x < JC,- + A/ 2 }. Entonces, Fu(u +

ww w.

AII)

M at

Bu,u = {x\ u - Aw < h(X) < u + A w } = \JVh

FC(II

Ahora bien, como x j Xj si i j j , para valores menores a un Aw fijo P(Vi n V}) = 0. Entonces, Fv{u +
AM)

La ltima relacin se obtiene utilizando el teorema del valor medio para G Vi; finalmente

Mu) = *--

em
AM)

Para calcular el lmite, se define el siguiente conjunto:

- Fu(u -

at ic

Fv(u + Au) - Fu(u - Au)

= P(BuM) = ^ P( V,) - P( V, n Vy) 4-

a1

.c om

Caso 2: Au es un conjunto no discreto: En este caso, la probabilidad de que X est en A no es cero, por lo que

Mu) = P(U = u) = /
El teorema queda demostrado.

JAU

fx(x)dx.

3.1. Sea X una variable aleatoria continua, con funcin de densidad igual a fx(x), y sea h(x) una funcin estrictamente montona (creciente o decreciente) y diferenciable Vx G Rx; entonces, la funcin de densidad de la variable aleatoria Y = h(X) est dada por
COROLARIO

fr(y) =

fx{h~\y))

d h~\y) dy

es un conjunto discreto con un nico elemento. Entonces,

at ic
dy lo

Ay = {xe Rx\ h(x) = y}

a1
dy/x\ dx

Demostracin Como h(x) es estrictamente montona, el conjunto

fy(y) =
EJEMPLO

3.12. Sea X la variable aleatoria con funcin de densidad

ww w.

M at

em
/*(*) = e~x
127

en otro caso.

Encuentre la funcin de densidad de Y = X2. Solucin La funcin h{x) = x2 es una funcin continua y creciente en el intervalo (0,2); por lo tanto, se puede aplicar el corolario del teorema anterior. La funcin inversa es h~l(x) = y/x, y fy{x) =
EJEMPLO

3.13. Sea X la variable aleatoria con funcin de densidad x> 0.

Encuentre la funcin de densidad de la variable aleatoria U = sen(X).

.c om

. .dx dy

3x2

Solucin La funcin h(x) = sen(*) es una funcin continua y diferenciable en los reales; entonces se puede aplicar el teorema anterior. Observe que para cualquier u G [1,1], el conjunto de puntos x, i = 1, 2, 3 , . . . , que cumplen la relacin sen(x,) = u es infinito, pero numerable. En la grfica siguiente se pueden ver cuatro de estos puntos.

u .

X\

X2\

X$

.c om

\ X4\

Los nmeros con ndices impares son

y los nmeros con ndices pares son *2 = ir sen~ ! (w), x4 = 3TT As, Au es un conjunto discreto Au = { x | sen(*) = M } = { x h x 2 , x 3 , x 4 , x 5 , x 6 , . . . } , donde *2*+i = sen""1 (u)+2kir y x2k = (2k + l)7r sen""1 (u), para/: == 0, 1,2,3,... Ahora observe que ^),

ww w.

M at

JCI = sen^^w), J 3 = seiT^Oi) C

em

FIGURA

3.5 Cuatro puntos de la imagen inversa de sen x = u.

at ic

a1

oo

fu(u) = yfx(xk)

He
du
*=1
'\-U
2

Jt=l

paraw 6 [1,1]. En una lnea de microbuses se ha encontrado que la funcin de densidad de la variable X kilmetros viajados por un pasajero es
/VA)

EJEMPLO 3.14.

at ic em M at
<*<17' en otro caso.
si0

a1
0

.c om

* < 17' en otro caso.

s l 0 <

[0

Encuentre la probabilidad de que un pasajero que sube al microbs (a) viaje ms de 6 kilmetros, (b) viaje entre 3 y 6 kilmetros. Solucin 1. La probabilidad de que un pasajero viaje ms de 6 kilmetros, se encuentra con la integral 1 dx (x - 5)2 + 1 - tan-'(l) = 0.2455. 2.86 Note que tan"1 (12) - tan"1 (-5) = 2.86.
129

ww w.

2. De igual manera, la probabilidad de que un pasajero viaje entre 3 y 6 kilmetros se encuentra con la integral P(3 < X < 6) = / fx(x)dx
=

= /

-dx

an-(l)-^-(-2)=()6617

ww w.

Para cada valor se tiene un subconjunto Au dado por

A3.50 = {x I C(x) = 3.50} = [12,17] En los tres casos, Au es no discreta. Finalmente, los valores de la funcin de densidad del costo del pasaje son fv(2) = JAl fx(x)dx = /05 2.mxl_5)i+l)dx . / y (2.50) = fA2o fx{x)dx = 0.4801 = 0.4995 = /512 2mxl5f+1)dx

. /y(3.50) = /A3j0 fx(x)dx = S 2.mx-5?+l)dx

M at

Solucin El costo del pasaje slo tiene 3 valores, 2,2.50 y 3.50, por lo que el rango de Fes RY = {2, 2.50, 3.50}.

em

Encuentre la funcin de densidad del costo del pasaje.

at ic

$2.00 $2.50 $3.50

si 0 < x < 5 si 5 < x < 12 si 12 < x < 17

a1

.c om

3.15. A los concesionarios del transporte del ejemplo anterior, les interesa conocer el ingreso por pasajero, as que quieren determinar la funcin de densidad del costo por viaje. El costo por viaje depende de los kilmetros que se transporten, de acuerdo con la siguiente regla:
EJEMPLO

= - 0 2 0 4

Ejercidos
EJERCICIO 3.10. Se dispara un proyectil en una direccin con un ngulo a respecto a la tierra y con una velocidad de magnitud v. El punto en que el proyectil regresa a la tierra est a una distancia R del punto donde se realiz el disparo. Las dos variables se relacionan mediante la ecuacin R = (v2/g)sena, donde g = 981 cm/s2 es la aceleracin de la gravedad. Si a es una variable aleatoria con funcin de densidad

en otro caso. Encuentre la funcin de densidad de R.

EJERCICIO 3.11. La temperatura T de cierto objeto, medida en grados Fahrenheit, es una variable con funcin de densidad
X

ww w.

EJERCICIO 3.12. El nmero de tostadores que se vende en una tienda de electrodomsticos es una variable aleatoria X, cuya funcin de densidad est dada por

M at

em
o

la temperatura medida en grados centgrados est relacionada con T mediante la ecuacin = | ( r 32). Encuentre la funcin de densidad de.

Al vender cada tostador se obtiene una ganancia de $20. Si al principio de la semana hay 10 tostadores la ganancia est dada por G(X) = 20mn{X, 10}, encuentre la funcin de densidad de G.
EJERCICIO 3.13. La longitud de los lados de un cuadrado X es una variable aleatoria con funcin de densidad

r / x

(* - 4.95)(5.05 - JC)/4 para 4.95 < x < 5.05 ^0 en otro caso.

Encuentre la funcin de densidad del rea del cuadrado.

at ic

en otro caso.

a1

-(*-98.6)V4.

.c om

EJERCICIO 3.14. Sea X una variable aleatoria con funcin de densidad f(x) = JC/2 si 0 < x < 2 y sea Y = (X - I) 2 . Encuentre la funcin de densidad de Y. EJERCICIO

3.15. A partir de la funcin de densidad de la velocidad, v,

/ m \3/2

g v (v) = 4TT J

ve 2Er,

_*.v*

para

0 < v < oo, \mv2.

encuentre la funcin de densidad de la energa cintica e =

EJERCICIO

3.16. A partir de la funcin de densidad de la velocidad de las partculas que escapan a travs de un orificio pequeo en un horno

.c om

*T'

p a r a

0 < v < o o

>

3.16. Se tiene una muestra de 40 estudiantes, 10 de los cuales estudian ciencias bsicas, 13 estudian ciencias naturales y los restantes estudian ciencias sociales. A estos estudiantes se les pide su opinin sobre el servicio de cmputo que se ofrece en su escuela, y las respuestas pueden ser tres: malo, regular o bueno. Si se escoge un estudiante al azar, se genera un espacio muestral equiprobable en donde se define un vector aleatorio (X, Y): X identifica el rea de estudio. Y identifica su opinin sobre el servicio de cmputo,
EJEMPLO

de acuerdo con las siguientes reglas: Suponga que las dos variables aleatorias XyY clasifican a los cuarenta estudiantes con los dos criterios, como se ve en la tabla. Como el experimento es: elegir una persona al azar , la probabilidad de los diferentes eventos se calcula con la frmula clsica: casos favorables entre casos totales

ww w.

M at

En ocasiones a una misma unidad de muestreo se le miden dos o ms caractersticas de inters, por ejemplo: a una persona se le puede medir su edad (X), ingreso (Y), nivel de escolaridad (Z), etc. Entonces cada persona i tiene asociado un dato multivariado (Xh Yh Z , , . . . ) .

em

at ic

4. Variables aleatorias multivariadas

a1

encuentre la funcin de densidad de la energa cintica e =

\mv2.

TABLA

3.2 Valor de las variables XyY.

rea de estudio

Opinin C. bsicas X = 1 malo -> Y == 0 C naturales X = 2 regular -^ Y == 1 C. sociales X = 3 bueno --> F =-2
TABLA

3.3 Frecuencici ufe las variables X y Y.

variable y

M at

TABLA

3.4 Probabilidad conjunta dexyy.

variable X

ww w.

em
0
1

En la tabla 3.4 se muestra la probabilidad conjunta de las dos variables aleatorias.

at ic
1 .075 .050 .125 .250

variable Y

2
Total

En seguida se analiza qu significa esto. En el cruce de la columna i y el rengln j se encuentra la probabilidad de que X tome el valor i y Y tome el valor j : P(X = i, Y = j), i = 1,2,3 y j = 0,1,2; esto equivale a una interseccin de eventos:

{o> G a | (z, y> = o; j = {w e n | x = /} n {a> e n | F = y}.

En el margen inferior se encuentran las probabilidades correspondientes a la variable X: P(X = i), i = 1,2, 3 . . . El evento

a1
2 .100 .025 .125 .250

0 1 2 Total

variable X 1 2 3 Total 3 4 5 12 2 1 3 6 5 5 12 22 10 10 20 40

.c om

3 Total .125 .300 .075 .150 .300 .500 .500 1

{( G l | X = i} corresponde a
2

{(o G l | X = i} = |J{*> e ft I X = i, Y = j}. En el margen derecho se encuentran las probabilidades correspondientes a P(Y = i), i = 0,1,2, y {(o G O | Y = ; } = [ J { ^ O | X = /, 7 = 7}.
i=i

La probabilidad de que un estudiante elegido estudie ciencias bsicas o ciencias naturales se encuentra sumando el valor de la primera columna con el valor de la segunda columna del rengln Total. La probabilidad que se encuentra en el interior de la tabla corresponde a los eventos

{(o G i | x - /, Y = j} = {(o G a | x = i} n {( e a | Y = j}
y se llama probabilidad conjunta de X y 7. La probabilidad que se encuentra en el margen inferior y en el margen derecho corresponde a la probabilidad de los eventos {a) G a | X = /} y {a) G l | Y = j} respectivamente, i = 1,2,3 y j = 0,1,2. Esta probabilidad se conoce como probabilidad marginal de las variables.

ww w.

M at

P(Y = 0) = P(X = 1, Y = 0) + P(X = 2, Y = 0) + P(X = 3, Y =-- 0) = .300.

P(X = 1 o X = 2) = .250 + .250 = .500.

em

La probabilidad de que el estudiante elegido est en desacuerdo con el servicio de cmputo (sin considerar su rea de estudio) se encuentra en el primer rengln de la columna Total, y es igual a la suma de los valores del primer rengln.

at ic

a1

.c om

Explcitamente: La probabilidad de que el estudiante elegido estudie ciencias bsicas y est de acuerdo con el servicio de cmputo se encuentra en la columna 1 y el rengln 3, y es igual a

DEFiNiaN 3.9. Dado un espacio de probabilidades (l, A, P{)) se llama vector aleatorio o variable aleatoria bivariada a la funcin bivariada:

(X,Y):lxl>RxR,
con X y Y variables aleatorias.
DEFINICIN 3.10. Se llama fundn de distribucin de probabilidades conjunta del vector (X, Y) a la funcin definida por

F(x,y) = P(X<x,Y<y).
As, con referencia al ejemplo 3.4.1, se tiene que F(2,1) = P{X < 2, Y < 1) = P(l, 0) + P(l, 1) + P(2,0) + P(2,1)
TEOREMA 3.9. La funcin de distribucin conjunta de una variable aleatoria bivariada (X, Y) cumple las siguientes propiedades: 1. F(x, y) es creciente en x y en y. 2. F(x, y) es continua por la derecha de x y de y. 3. lm^^.oo F(x, y) = 0, 4. l m ^ o o F(x, y) = 1.

{(

G | X < xh Y < yx} C {(o G l \ X < x2, Y < y2},

y por el teorema 1.2.8, se sigue que

ww w.

P(X <xhY<yi)<
lo que equivale a

M at

Demostracin 1. Si JCI < X2 y y\ < yi, entonces

em
h2->0+ xoo y>oo

F(xh yi) < F(x2, y2). 2. El lmite por la derecha de la funcin de distribucin es lm F(x, y) = lm P(X < a + hh Y < b + h2)
y-+b+

= P(X<a,Y<b) 3. Observe que

x*oo yoo

at ic

P(X <x2,Y< y2),

lm F(x,y)=

lm P(X < xy Y < y) = P(0) = 0.

a1

.c om

= 0.075 + 0.05 + 0.1 + 0.025 = 0.25.

= F(a, b).

4. Observe que

lm F(x, y) = lm P(X <x,Y<y)

>>oo yoo

= P() = 1.

DEFINICIN 3.11. Se llama funcin de densidad conjunta del vector aleatorio (X, Y) a

f(x> y) = ^ ( ^ = x> Y= y)
y

si X y F son v. a. discretas,

2 .

COROLARIO

P(A) = ] P /(x, y), P(A) = / / /(#, y)/^ /y,

ww w.

La demostracin es trivial y se deja como ejercicio. 3.2. Si A es un evento A c R2, para e/ case? discreto, para el caso continuo.

DEFINICIN 3.12. Dado un espacio de probabilidades (, A, ?()) y una variable aleatoria bivariada (X, Y) definida en l, se llama funcin de densidad marginal de X a la funcin

fx(x) = ]P f(x, y),

y

M at

f:^iroof(yy

em

Si (X, Y) es un vector aleatorio discreto: 1. / ( * , y ) > 0 , 2. ,,/(*, y =1. ) Si (X, Y) es un vector aleatorio continuo:

fx(x) = /

f(x, y)dy,

at ic

a1

si X y Y son v. a. continuas. dxdy TEOREMA 3.10. La funcin de densidad conjunta de un vector aleatorio (X, Y) cumple las siguientes propiedades:

/U> y) =

en el caso discreto,
en el caso continuo.

.c om

Y se llama funcin de densidad marginal de Y a la funcin friy) = X) /(*> yX

/oo

en el caso discreto, en el caso continuo.

/yOO = /
Joo

f(x> y)dx>

Como se puede ver, la funcin de densidad marginal de la variable X es la sumatoria (o la integral) de la funcin de densidad conjunta, manteniendo fijo el valor de x y recorriendo todos los valores de y. Precisamente coincide con los valores que se encuentran en los mrgenes de una tabla de probabilidad de doble entrada. De ah el nombre de densidad marginal.

Solucin 1. Como la unidad monetaria es igual a un milln de pesos, se quiere obtener la probabilidad P(X > 1,5Y > 2), cuyo clculo se hace con la siguiente integral: P(X > 1, F > y) = r T' 2ye-y{2+x)dxdy = \~e = 0.00165. h h 3 2. La funcin de densidad marginal del costo del material se encuentra integrando la funcin de densidad conjunta con respecto al costo de la mano de obra.

fx(x) = Jo
La integracin se hace por partes con

ww w.

M at

_ flye-yV** six,y>0, fxr(x> y) = < A ^0 en otro caso. donde la unidad monetaria es un milln de pesos. 1. Encuentre la probabilidad de que los costos del material y de la mano de obra del siguiente proyecto de costruccin sea mayor que un milln y dos millones de pesos, respectivamente. 2. Determine la densidad marginal del costo del material. 3. Determine la densidad marginal del costo de la mano de obra.

em

at ic

a1

.c om

EJEMPLO 3.17. El costo del material, X, y el costo de la mano de obra, Y, de un proyecto de construccin es modelada por

3. La funcin de densidad marginal del costo de la mano de obra se encuentra integrando la funcin de densidad conjunta con respecto al costo del material.

fr(y)=

Jo

r2ye~y{2+x)dx

Jo EJEMPLO 3.18. Si (X, Y) es un vector seleccionado al azar sobre el rectngulo (a, b) x (c, el) = {(x, y) \ a < x < b, c < y < d}, encuentre su funcin de densidad conjunta. Solucin Como el vector aleatorio se distribuye uniformemente sobre el rectngulo (a, b) x (c, d), la probabilidad de cualquier regin dentro del mismo es proporcional a su rea, esto es si A G (a, b) x (c, d), entonces readeA rea del rectngulo La funcin de distribucin de (X, Y) est dada por

= 2ye~2y r e~xyd

La funcin de densidad se encuentra derivando la funcin.

ww w.

M at

d2 /XY(X, y) = F(x, y / = dxdy v ' y)

em

at ic

a1

.c om

(b-a)(d-c)

EJEMPLO

3.19. Si el vector aleatorio (X, Y) tiene funcin de distribusi x > 0, y y > 0, 7 en otro caso,

cin 1 - a'*2 - a-2yl + a~x2-2y2 F,/ x F(x, y) = \ 10

encuentre la probabilidad que un punto elegido al azar est en el rectngulo dado por 1 < x < 2, 1 < y < 2. Solucin Se quiere conocer la probabilidad del evento A: A= {(x,y)\l<x<2,l<y<2},

Para ello se utilizan los eventos B = {(JC, y) | x < 2, y < 2}, C = {(x,y)\x<2,y<l}, D = {(JC, y) | x < 1, y < 2}. Observe que los eventos A y C U Z) son mutuamente excluyentes y que B = A U (C U >), de lo que se sigue P(B) = P(A) + P(C U D) = PA) + P(C) + P(D) - P(C n Z)), y como C l / ) = {(*, j ) | x < 1, y < 1}; entonces: P(A) = P(B) - P(C) - P(D) + P(C fi D)
=
fl-W

EJERCICIO 3.18. Sean X y Y dos variables aleatorias con funcin de densidad conjunta

ww w.

3.17. En una urna hay 5 bolas numeradas del 1 al 5. Se eligen 3 bolas al azar sin reemplazo. Sea X el mnimo nmero que aparece en las bolas seleccionadas, y sea Y el mximo nmero. (a) Encuentre la funcin de densidad conjunta de X y 7. (b) Encuentre la funcin de densidad marginal de X y Y. (c) Encuentre P(X > 2).
EJEROCIO

M at

em

(a) Encuentre la funcin de densidad marginal de X y Y. (b) Encuentre P(X > 2).
EJERCICIO

3.19. Sean X y Y variables aleatorias con funcin de den 2<T>(1 - e~x) 0<;y<ooyO<;t<)>

sidad conjunta .
JXY\X, y) = <

10 en otro caso. Encuentre la funcin de densidad marginal de X y de Y.

at ic

Ejercidos

en otro caso.

a1

fl-6

fl-9 +

fl-3

fl-3(1

.c om
fl-3

= F{% 2) - F(2,1) - F{\, 2) + F(l, 1)

^ ^-6

fl-9)-

Determine cada una de las probabilidades siguientes:

= Y)

(e)P(X>Y).

5. Dependencia y condicionalidad
DEFINICIN 3.13. Dadas dos variables aleatorias X y F, la funcin de densidad condicional de la variable X, dada la variable Y, es igual a

ww w.

M at

em

at ic

My 0

a1

.c om
fvv

EJERCICIO 3.20. Suponga que las personas de una poblacin pueden profesar una de cuatro religiones (X = 0,1,2,3,4; X = 0 si la persona no profesa ninguna de las cuatro religiones), y pueden simpatizar con uno de tres partidos polticos (Y = 0,1,2,3; Y = 0 si la persona no simpatiza con ninguno de los tres partidos). Si se elige una persona al azar, la probabilidad de que ella tenga una religin determinada y simpatice con un partido poltico est dada en la siguiente tabla: X 1 4 Y 0 3 2 0 0.08 0.07 0.06 0.01 0.01 1 0.06 0.10 0.12 0.05 0.02 2 0.05 0.06 0.09 0.04 0.03 3 0.02 0.03 0.03 0.03 0.04

>o

si fr(y) = 0.

Dilectamente de la definicin, se llega a

fxr(x, y) = fx\Y(x\y)fY(y).
La probabilidad condicional es

*-*?
DEFINICIN 3.14. Se dice que dos variables aleatorias X y Y, son independientes si y slo si

fx\r(x\y) = fx(x).

Ay B son independientes si y slo si

P(A\B) = P(A).
TEOREMA

3.11. Las variables aleatorias X y Y son independientes

/XY(X,

si y slo si y) = fx{x)fY{y\

Ay B son independientes si y slo si

P(A HB) = P(A)P(B).

3.15. Se dice que las variables Xu X2, X 3 , . . . , Xn son variables aleatorias independientes si
DEFINICIN

fxlt...,Xn(Xi,

ww w.

El concepto de independencia se puede generalizar a ms de dos variables, esto se ve en la siguiente definicin.

M at

y en el caso de que ambas variables sean independientes, se tiene que fx\y(x\y) = fx(x); sustituyendo este trmino en la ecuacin anterior se llega a lo que afirma el teorema. La demostracin para el sentido inverso es trivial.

X2,...,

em

Xn) = fX (Xi)fx2(x2)

at ic

fxrix, y) = fx\Y{x\y)fy{y),

a1

.c om

Demostracin Se sabe que para todas las variables aleatorias X y Y se cumple que

...

fxn(xn).

EJEMPLO 3.20. La posicin de una partcula que se mueve aleatoriamente en un plano est determinada por su distancia al origen, /?, y por el ngulo que forma con un eje fijo, X. Si los valores de X y de R son independientes y la funcin de densidad conjunta es igual a

/(je, r) =

r > 0 y 0<x<

ir%

encuentre la probabilidad de que la partcula se encuentre en la regin limitada por 0 < x < TT/4 y 1 < r < 2.

Solucin Como las dos variables son independientes, se puede encontrar la probabilidad integrando cada variable en forma separada:

P(0 < X < TT/4, 1<R<2)=

r4dx
Jo

[2 dr
J\
T

2e2

Ejercicios
EJERCICIO 3.21. Suponga que se mide la respuesta de cierto aparato electrnico en cinco ocasiones diferentes. Sean Xh X2, X3, X4 y X5 las observaciones obtenidas. Suponga que X\, X2, X3, X4 y X5 son variables aleatorias independientes e idnticamente distribuidas, de acuerdo con la distribucin

M at

em

EJERCICIO 3.22. Suponga que un equipo de radar tiene una ley de descomposturas con funcin de densidad

at ic
o

o en otro caso. Encuentre la probabilidad de que el mximo de los valores X\, X2, X3, X4 y X$ sea mayor que 4.

a1

En qu intervalo de tiempo 10 equipos de radar que trabajan de manera independiente, operarn satisfactoriamente con una probabilidad de 0.50? 3.23. Sean X y Y variables aleatorias con funcin de densidad conjunta dada por
EJERCICIO

ww w.

paraO<x<2yO<)><x, en otro caso. (a) Encuentre las funciones de densidad marginales de X y de Y. (b) Son X y Y variables aleatorias independientes? 3.24. Se eligen sin reemplazo tres bolas de una urna que contiene 5 bolas numeradas del 1 al 5. Sea X el mnimo nmero asignado a las bolas elegidas, y sea Y el mximo nmero. Encuentre la funcin de densidad condicional de X, dado Y = 4.
EJERCICIO

.c om

en otro caso.

EJERCICIO 3.25. Sean X y Y variables aleatorias discretas independientes, con la misma funcin de densidad dada por

=1,2,3,... en otro caso.

Encuentre la probabilidad de que XyY sean iguales.

EJERCICIO 3.26. Sean XyY dos variables aleatorias conjuntamente continuas, con funcin de densidad de probabilidades dada por

fxrix, y) = r - e - i ' w

p a r a x> y

6. Distribuciones de funciones de vectores aleatorios En ocasiones se quiere conocer la funcin de densidad de una variable aleatoria que depende de dos o ms variables que se muestrean. As, en el problema de los proyectos de construccin, (Ej. 3.4.2), podra ser ms importante para el dueo de la obra conocer la distribucin del costo total del proyecto (X + Y)9 y no slo las distribuciones de los precios de cada concepto por separado. Entonces, es importante tener una forma de conocer la funcin de densidad de una funcin del vector aleatorio. 3.12. Si (X, Y) es un vector aleatorio discreto con funcin de densidad conjunta fxY*> y)>y Z = h(X, Y) es una variable aleatoria, entonces la funcin de densidad de Z est dada por
TEOREMA

ww w.

M at

EJERCICIO 3.27. En una caja hay 10 monedas numeradas del 1 al 10. La probabilidad de que al lanzar la moneda /, sta caiga en guila es igual a I/IO. Se elige una moneda al azar de la caja y se lanza hasta que aparece la primera guila. Sea N la variable aleatoria que indica el nmero de lanzamientos necesarios antes de detenerse. Encuentre la funcin de densidad de N.

fz(z)=

em

at ic
]T
h(x,y)=z

a1

(a) Son X y F variables aleatorias independientes? (b) Tienen X y Y la misma funcin de densidad marginal? (c) Encuentre P(X2 + Y2< 4).

fXy{x,y).

.c om

Demostracin Observe que

P(z

= z) = P(h(x, Y) = Z) =

y);

por lo tanto, queda demostrado el teorema.

EJEMPLO 3.21. Se lanzan dos tetraedros no cargados, cuyas caras estn numeradas del 1 al 4. Sean X\ y X2 las variables aleatorias que indican la cara que cae hacia abajo en cada uno de los tetraedros, respectivamente. Sea Y = mx{X b X2}. Encuentre la funcin de densidad de Y.

at ic
y= i (.i) 1

Solucin Cada una de las 4 caras del tetraedro tiene igual probabilidad de caer hacia abajo, por lo que el espacio muestral del experimento es equiprobable con 16 posibles resultados. La funcin de densidad conjunta de X\ y X2 es

ww w.

TABLA

M at

Los valores que puede tomar Y mx{Xi, X2} son 1, 2, 3 y 4. La relacin de Y con el vector (X\, X2) se describe en la tabla 3.5. 3.5 Distribucin del valor mximo en la muestra.

em

a1
(1,2) (2,1) (2,2)

= 1^2,3,4y y = 1,2,3,4.

Rangc) d e F

r =2

Valores de(X,,X 2 ) quedan el mismo valor de Y.

Total

.c om

7 = 3 F= 4 (1,3) (1,4) (2,3) (2,4) (3,3) (3,4) (3,1) (4,4) (3,2) (4,1) (4,2) (4,3)

De acuerdo con el teorema 3.12, la funcin de densidad de Y es igual a la suma de las probabilidades de los puntos que dan el mismo valor de

Y. Por ejemplo, la funcin de densidad de Y en el punto 3 es /r(3) = fXix2(h 3) + fXlx2{% 3) + fXlx2a 3) + fXlXl(3,

Entonces, se tiene que

o, en forma general, 2*- 1 77, lo P^a x = 1,2,3,4.

Auv = {(x, y) e RXY\ h(x, y) = (w, v)}, entonces la funcin de densidad de (U,V) en el punto (u, v) es

em

at ic

fxrdxi, yj))\J\

a1

TEOREMA 3.13. S (X, Y) es un vector aleatorio continuo y (U, V) = h(X, Y) es una funcin continua y diferenciable, excepto en un conjunto finito de puntos, y

Demostracin Caso 1. Auv es un conjunto discreto. Si AUv = {(x, y) e RXY\ h(x, y) = (u, v)} es un conjunto discreto Auv = {{x\, y\), (X2, yi),... }, entonces, por definicin, d2 fuv(u, v) = Fuv(u, v) =
dlldv

lim

Fuv(u+Au, v+kv)-Fuv(u+ku, v)-Fuv(u, v+kv)+Fuv(u, v)

A/,AV>0

Ahora observe que Fuv(u+Au, v+Av)-Fc/v(w+Aw, v)-Fuv(u, v+kv)+Fv(u, v)=P(Bu>v),

145

ww w.

[ Auv fxrdx, y))dxdy si Auv es no discreto. En esta frmula, \J\ es el valor absoluto deljacobiano de la transformacin.

M at

tuv\\Uy V)) =

.c om

siAuv es discreto,

donde

Buv = {(*> y)\h(x, y) = (w, t) conu <w <u+ku

Buv = tal que lm V = {(*,, y,)} y
Aw,Av0

y v <t <v + Av}.

Este conjunto se puede ver como una unin de conjuntos V: VlUV2UV3..., lm V, n V, = 0 .

A,Av>0

P(BUV)

< ]T P(Vd = E / / /**(* y)^rfy.

. . J JVi

lm fxria, b) rea(Vi) = fxy(x(u, v), y(w, v))\J(x(u, v), j(w, v))|fw Jv.
AM,AV>0

Entonces se puede concluir que

, v) = P((U, V) = (ii, v)) = P((X, F) G AMV) =

COROLARIO 3.3. Dado un vector aleatorio (X, Y) y una funcin invertible y diferenciable (u, v) = h(x, y), la funcin de densidad conjunta delvector(U,V) = h(X,Y)es

ww w.

Caso 2. Awv es un conjunto no discreto. En este caso,

M at

/W(w, v) = JD fxr(x(u, v), y(u,

fuv(u,v) =

em

donde \J\es el valor absoluto deljacobiano de la transformacin. Demostracin Como la funcin h(x, y) es invertible, entonces cuando el conjunto Auv es no vaco tiene nicamente un punto, por lo que es un conjunto discreto y entonces fw(u, v) = fxY(x(u, v), y(u, v))\J\ =

at ic

El lmite de esta expresin, cuando Aw y Av tienden a cero, es

a1

JJv fxYx, y)dx dy = fXY{^ )rea(V,)

.c om

Por el teorema del valor medio,

(fi, i) G V,.

fxr(h-\u,v))\J\,

TEOREMA 3.14. Si (X, Y) es un vector aleatorio y U = h(X, Y) una funcin continua y diferenciable, entonces
roo

Mu) = /
J-oo

fxY(g\(u, v), g2(u, v))|7|rfv,

donde v = h\(x,y) es una funcin continua y diferenciable tal que la transformacin (u, v) = (h(x, y), h\{x, y)) es invertible y su inversa est dada por (x, y) = (gi(u, v), g2(u, v)). Demostracin Si (U, V) = (h(X, Y), hi(X, Y)) es invertible y diferenciable y su funcin inversa est dada por (X, Y) = (g\(U, V), g2(U, V)), entonces fuAu> v) = fxYg\{u, v), g2(u, v))\J\, y la funcin de densidad marginal de U es
roo

Mu) = /
Joo

fxYg\(u, v), g2(u, v))\J\dv,

que es lo que se quera probar.

COROLARIO

Demostracin Considere la transformacin (U, V) = (X + Y,X), cuya transformacin inversa es (X, Y) = (V,U- V). Caso discreto
/(II, V)

ww w.

Mu) = /

M at

fu(u) = ]T) fxY(v, u v)

i roo

em
II,
roo

3.4. Lafuncin de densidad de la variable aleatoria U = X + Y est dada por caso discreto, caso continuo.

/*y(v, u v)dv

Joo

= P(U =
v

V = v) = P(X + Y = w, X = v)
i

= v, Y = II - v) = 2 / ( v i , - v,) Caso continuo El valor absoluto del jacobiano de la transformacin es igual a 1, y Mu) = /
= Joo ro / Jo

fxYg\(u, v), g2(u, v))\J\dv,

,u -

at ic

a1

.c om

Esta suma (o integral) se conoce con el nombre de convolucin.

EJEMPLO

3.22. Sea el vector aleatorio (X, Y) con funcin de densidad , " lAxy 10 siO<JC<lyO<y<l-x, en otro caso.

dada por
fxr(x, y) = <
r

Encuentre la funcin de densidad de U = X + Y. Solucin De acuerdo con el resultado anterior, se tiene que la funcin de densidad de la suma de dos variables aleatorias est dada por

paraO < u < 1.

ww w.

M at

fv(u)

= T 24v(w - v)dv = 12wv2 - 8v3|g = 12w3 - 8M 3 = 4w3 Jo

em

0 < x < 1 y 0 < y < 1 -JC = > 0 < x < x + y < l = > 0 < V < / < 1,

3.28. Sean XyY dos variables aleatorias continuas cuya funcin de densidad conjunta es /XY(X> y)- Determine la funcin de densidad conjunta de las variables U = X + Y y V = ^
EJERCICIO

3.29. Sean XyY variables aleatorias independientes con funcin de densidad marginal dada por
EJERCICIO

3e- 3 * Jxix) = < n 0

at ic
10

La regin de integracin se reduce al conjunto donde /XY(X> y) es diferente de cero, esto es:

Ejercicios

Encuentre la funcin de densidad de Z = mn{X, Y}.

a1

parax>0, en otro caso,

en otro caso.

.c om

fu(u) = /

fxr(v, u - v)|7|rfv.

EJERCICIO 3.30. Sean X y Y variables aleatorias independientes e idnticamente distribuidas con funcin de densidad comn dada por JX\X) = \

10

en otro caso.

Encuentre la funcin de densidad de Z = (X + Y)/X.

ww w.

M at

em

at ic

a1

.c om