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
FIGURA 3.1
P({rojo}) = J.
ww w.
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 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
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
Vr > 0
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
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
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
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
ww w.
M at
em
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).
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
TEOREMA
ww w.
M at
P(a<X<b)
Demostracin Como
em
P(a<X<b)
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)
ww w.
M at
em
3.3. Dada una variable aleatoria discreta X, su funcin de densidad f(x) cumple las siguientes propiedades:
TEOREMA
at ic
_ I _ 1_ 1
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
TEOREMA 3.4. Si X es una variable aleatoria discreta, entonces para toda A IR se cumple
P(A)=
/(*<).
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.
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
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),
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
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
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
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
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.
'
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
tal que
ww w.
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),
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)
f(x)dx,
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
f(x)dx = lm f /(%)</*
/ OO
fl >O
ww w.
Demostracin 1. Como
M at
2. J~
TEOREMA
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
EJEMPLO
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
cin.
ww w.
Jo r2 / f(x)dx ./o
2 f(x)dx=h
r2 kx22 2 kx = / kxdx = = 2k = 1, Jo 2
em
at ic
a1
.c om
(c) F(x) ={
{1
EJERCICIO
si JC> 0.
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
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
= = =
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
Observe que para distinguir las funciones de distribucin de las diferentes variables, stas se identifican mediante un subndice como etiqueta.
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
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:
n
FIGURA
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,
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
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
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 $4.50. Cul es la funcin de densidad del costo generado por el cambio de un foco?
.c om
Observe que Au es la imagen inversa de la funcin h(x) en el nmero u. Demostracin Si Au = {x Rx\ h(x) = w}, entonces
fx(Xi).
Queda demostrado el teorema. 3.8. Dada X, una variable aleatoria continua, U = h(X), una Juncin real de variable real continua y diferenciable en R y Au, el evento Au = {x G Rx\ h(x) = w}, entonces la Juncin de densidad de U en el punto u es
TEOREMA
u
fx(*i) n&
M at
em
Demostracin En las siguientes grficas se esquematiza el conjunto Au en los dos casos: discreto y no discreto. Ru, uRv*
M32Ki. ' X\ X2 X^ n ^X
I I II i fe P
at ic
a1
Mu) =
.c om
ww w.
/h(x)
O-A(JC)
II
111^
Kx
x\ a
b x2 x3
En la primera grfica de la figura 3.4, la imagen de h(x) es un intervalo y para todos los valores u en la imagen de h(x), Au es un conjunto discreto. En la grfica, para la u indicada se tiene Au = {x\, x2, x3}.
125
En la segunda grfica, la imagen de h(x) tiene slo 3 puntos, u\, U2 y . Para estos valores w, Au es un conjunto no discreto, por ejemplo para 3 2, en la grfica AU2 = (a,A)U{*i, * 2 Cada uno de estos casos se analiza en seguida. Caso 1: Au es un conjunto discreto: Como el conjunto Au es discreto, se puede escribir como Au = {x\, xi, x$,...}. 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
ww w.
AII)
M at
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)
- Fu(u -
at ic
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
at ic
dy lo
a1
dy/x\ dx
fy(y) =
EJEMPLO
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
.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\
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
em
FIGURA
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
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.
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
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
at ic
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
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
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
g v (v) = 4TT J
ve 2Er,
_*.v*
para
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
a1
\mv2.
TABLA
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
variable y
M at
TABLA
ww w.
em
0
1
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:
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
{( 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
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.
{(
ww w.
P(X <xhY<yi)<
lo que equivale a
M at
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+
at ic
lm F(x,y)=
a1
.c om
= F(a, b).
4. Observe que
= 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
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
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
/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
ww w.
M at
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,
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) = <
at ic
Ejercidos
en otro caso.
a1
fl-6
fl-9 +
fl-3
fl-3(1
.c om
fl-3
^ ^-6
fl-9)-
= 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.
*-*?
DEFINICIN 3.14. Se dice que dos variables aleatorias X y Y, son independientes si y slo si
fx\r(x\y) = fx(x).
P(A\B) = P(A).
TEOREMA
si y slo si y) = fx{x)fY{y\
3.15. Se dice que las variables Xu X2, X 3 , . . . , Xn son variables aleatorias independientes si
DEFINICIN
fxlt...,Xn(Xi,
ww w.
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:
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
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
= z) = P(h(x, Y) = Z) =
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
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,
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
A/,AV>0
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
P(BUV)
lm fxria, b) rea(Vi) = fxy(x(u, v), y(w, v))\J(x(u, v), j(w, v))|fw Jv.
AM,AV>0
ww w.
M at
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
a1
.c om
(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
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
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
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
at ic
a1
.c om
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
ww w.
M at
fv(u)
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
at ic
10
La regin de integracin se reduce al conjunto donde /XY(X> y) es diferente de cero, esto es:
Ejercicios
a1
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.
ww w.
M at
em
at ic
a1
.c om