Problema IV.1.1
Sea A = f1; 2; 3g. Se realiza el siguiente experimento, se extrae al azar un subconjunto
de A.
(a) Encuentre (
; F ; P )
(b) Se dene la variable aleatoria X :
! IR como:
( X i ! 6=
! ! X (! ) = i 2!
0 !=
Pruebe que X es variable aleatoria discreta, obtenga su soporte y su ley inducida.
Solucion:
(a)
= P (A) F = P (P (A)) j
j = 23 = 8.
De hecho
= ff1g; f2g; f3g; f1; 2g; f1; 3g; f2; 3g; f1; 2; 3g; g
Dado ! 2
IP (!) = j
1 j = 18 .
(b) Como F = P (P (A)) toda funcion X :
! IR sera medible pues esa -algebra
contiene a todos los subconjuntos.
Hagamos el calculo de X (!)
1
Problema IV.1.2
Se hacen n lanzamientos independientes con un dado ordinario de 6 lados. Calcule la
probabilidad que:
(a) El mayor de los numeros obtenidos sea k con k 2 f1; :::; 6g.
(b) El menor de los numeros obtenidos sea k con k 2 f1; :::; 6g.
Solucion:
Es claro que la variable aleatoria a examinar tiene un soporte discreto.
El espacio de probabilidad sera
= f1; :::; 6gn F = P (
)
Dado w 2
IP (f!g) = 61n , es decir estamos considerando un dado equilibrado con
lanzamientos independientes.
(a) Llamemos Xi el valor del i-esimo lanzamiento 8i = 1; :::; n.
Es sencillo de entender que:
IP i=1
max X k = IP (Xi k 8i = 1; :::; n)
;:::;n i
En consecuencia:
IP min X = k
i=1;:::;n i
= IP (7 i=1
max X = k) = IP i=1
;:::;n i
max X =7 k
;:::;n i
Por lo tanto:
7 k n 6 k n (k 1) n k n
IP i=1min X =k = 6
;:::;n i 6 = 1 6 1 6
Observacion:
El metodo utilizado para calcular la distribucion del maximo se puede utilizar para
cualquier familia de variable aleatorias iid (independientes identicamente distribuidas) y
lo mismo para el mnimo.
Problema IV.1.3
Tres puntos son escogidos al azar e independientemente en el intervalo [0; 1]. Sea X el
numero de puntos que pertenecen al inervalo [0; c] donde c 2 [0; 1] es un numero real jo.
Se pide que determine para cada i 2 f0; 1; 2; 3g : P [X = i].
Solucion:
El experimento consistente en extraer tres puntos al azar y de manera independien-
te del intervalo [0; 1] se modela con el espacio muestral producto
:= [0; 1] [0; 1] [0; 1]
3
dotado de la -algebra producto A := ([0; 1])
([0; 1])
([0; 1]) y de la medida de
probabilidad P tal que
(8A1; A2; A3 2 ([0; 1])) : P (A1 A2 A3 ) = largo(A1 ) largo(A2 ) largo(A3 )
Consideremos la funcion X :
! f0; 1; 2; 3g denida por
X (!) := No. de coordenadas de ! pertenecientes al intervalo [0; c]:
Como
X 1(f0g) =]c; 1]]c; 1]]c; 1] 2 A
X 1(f1g) = [0; c]]c; 1]]c; 1] [ ]c; 1] [0; c]]c; 1] [ ]c; 1]]c; 1] [0; c] 2 A
X 1(f2g) = [0; c] [0; c]]c; 1] [ [0; c]]c; 1] [0; c] [ ]c; 1] [0; c] [0; c] 2 A
X 1(f3g) = [0; c] [0; c]]0; c] 2 A
si en el conjunto f0; 1; 2; 3g denimos la -algebra A0 := P (f0; 1; 2; 3g) se tendra que
X : (
; A) ! (f0; 1; 2; 3g; A0 )) resulta medible y
P [X = 0] = (1 c) (1 c) (1 c) = (1 c)3
P [X = 1] = c (1 c) (1 c) + (1 c) c (1 c) + (1 c) (1 c) c = 3c(1 c)2
P [X = 2] = c c (1 c) + c (1 c) c + (1 c) c c = c2(1 c)
P [X = 3] = c c c = c3
Problema IV.1.4
Una urna contiene diez cartas enumeradas de 1 hasta 6; se extraen sucesivamente cartas
de la urna y sin reposicion.Considere el experimento (E) consistente en determinar en
que extraccion aparece la primera carta con numero par. Se pide que:
(a) Modele el experimento (E) como la evaluacion de cierta variable aleatoria X denida
en cierto espacio probabilstico.
(b) Determine para cada n 2 f1; :::; 6g : P [X = n]:
Solucion:
(a) Consideremos el conjunto
:= f! = (!1 ; :::; !6) 2 f1; :::; 6g6 : i 6= j ) !i 6= !j g
y la funcion X :
! f1; :::; 6g denida por
(8! 2
) : X (!) := minfi 2 f1; :::; 6g : !i es par g
El experimento (E) puede ser modelado como la evaluacion de la funcion X en un
punto !, extrado al azar y de manera equiprobable en el conjunto
. Lo anterior
4
justica que en el e.m.
(de cardinal nito) denamos la -algebra A := P (
) y
la medida de probabilidad
Problema IV.1.5
Considere el experimento (E 0 ) de tirar dos veces e independientemente un dado y a
continuacion sumar los resultados obtenidos en cada tirada. Se le pide que:
(a) Modele el experimento (E 0 ) como la evaluacion de cierta v.a. X denida en cierto
espacio probabilstico (
; A; P ) y a valores en cierto espacio de probabilidad (
0 ; A0 ).
(b) Determine en (E 0 ) la probabilidad de que ocurra el suceso \la suma de los resultados
obtenidos en cada tirada es par".
5
(c) Determine si en (E 0 ) el suceso \los resultados obtenidos en cada tirada del dado son
numeros consecutivos" puede o no ser descrito a partir de los valores que toma la
v.a. X .
Solucion:
(a) El experimento (E 0 ) es natural modelarlo con el e.m.
0 := IN y la -algebra de
sucesos de interes A0 := P (
0 ). Por otro lado, el experimento (E ) consistente en
tirar dos veces e independientemente una moneda se modela naturalmente con el
espacio probabilstico (
; A; P ) donde
:= f(i; j ) : i; j 2 f1; :::; 6gg; A := P (
) y
P (A) := j36Aj para todo A 2 A.
Es claro que cualquier pregunta concerniente al resultado de (E 0 ) se puede formular
en terminos de los valores que toma la funcion X :
!
0 denida por:
X (!) = i + j si ! = (i; j ) 2
Problema IV.1.6
Sea (
; A; P ) un espacio probabilstico y X; Y :
! f1; 2; 3g dos variables aleatorias
tales que
(8i; j 2 f1; 2; 3g) : P [X = i; Y = j ] = aij
donde A = (aij )1i;j3 es la matriz dada por
2 0 1=5 0 3
A = 4 1=5 1=5 1=5 5
0 1=5 0
Determine para cada j 2 f1; 2; 3g : P [X = j ] y P [Y = j ].
Solucion:
Es implcito del enunciado que X e Y son funciones medibles de A en P (f1; 2; 3g) y
por lo tanto
(8j 2 f1; 2; 3g) : [X = j ] := X 1 (fj g) 2 A ; [Y = j ] := Y 1(fj g) 2 A
7
Por otro lado es evidente que:
= f! 2
: X (!) 2 f1; 2; 3gg = f! 2
: Y (!) 2 f1; 2; 3gg
y por lo tanto
= [X = 1] [ [X = 2] [ [X = 3] = [Y = 1] [ [Y = 2] [ [Y = 3] (1)
Consideremos j 2 f1; 2; 3g jo, de (1) vemos que:
[3 [3
[X = j ] = ([X = j ] \ [Y = i]) = [X = j; Y = i]
i=1 i=1
de donde se concluye que
X
3 X
3
(8j 2 f1; 2; 3g) : P [X = j ] = P [X = j; Y = i] = pji (2)
i=1 i=1
De manera analoga se demuestra que
X
3 X
3
(8j 2 f1; 2; 3g) : P [Y = j ] = P [X = i; Y = j ] = pij (3)
i=1 i=1
Finalmente en virtud de (2) y (3) obtenemos que:
P [X = 1] = 1=5 ; P [X = 2] = 3=5 ; P [X = 3] = 1=5
P [Y = 1] = 1=5 ; P [Y = 2] = 3=5 ; P [Y = 3] = 1=5
y por lo tanto (8j 2 f1; 2; 3g) : P [X = j ] = P [Y = j ]. E sto no signica necesariamente
que (8! 2
) : X (!) = Y (!) , solo quiere decir que si (Ex ) (respec. (Ey )) es el
experimento consistente en evaluar la funcion X (respec. Y ) en un punto extrado al
azar en
siguiendo la ley de probailidad P , entonces los experimentos (Ex) y (Ey ) estan
regidos por la misma ley probabilstica i.e. un observador que observe la realizacion
consecutiva de uno solo de estos experimentos sin saber si se trata de (Ex) o (Ey ), no
sera capaz de distinguirlos y los vera como parte de un mismo fenonemo aleatorio.
Problema IV.1.7
Dadas X1 ; :::; Xn variables aleatorias independientes de Poisson con parametros 1 ; :::; n
respectivamente.
Pn
Muestre que Y = Xi es una variable aleatoria de Poisson de parametro i
Pn
i=1 i=1
8
Solucion: Se probara por induccion sobre n.
(Caso n = 2)
Como las variables X1 , X2 son independientes, la probabilidad condicional de X2 con
respecto a X1 es igual a la probabilidad de X2. Ademas ambas variables tienen su soporte
en IN . Dado k 2 IN Al aplicar probabilidades totales se obtiene:
X
1
IP (X1 + X2 = k) = IP (X2 = k X1) = IP X2 = k X1 X1 = m IP (X1 = m)
m=0
Es decir:
X
1
IP (X1 + X2 = k) = IP (X2 = k m)IP (X1 = m)
m=0
k
Como IP (Xi = k) = ei ki! cuando k 2 IN y 0 en cualquier otro caso, al reemplazar
tendremos que:
X
k m k m
(1 +2) 1 2
IP (X1 + X2 = k) = e (k m)!
m=0
Esto debido a que por el teorema del Binomio de Newton se sabe que:
k k
X m k m = (1 + 2 )k
m=0 m 1 2
Esto muestra que:
(1 +2)
IP (X1 + X2 = k) = e k! (1 + 2)k
Es decir X1 + X2 tiene distribucion de Poisson de parametro 1 + 2.
(n ) n + 1)
Si X1 ; :::; Xn+1 son independientes ) X1 ; :::; Xn son independientes. Al aplicar la
Pn
hipotesis de induccion tengo que Y = Xi es una variable aleatoria de Poisson de
i=1
Pn
parametro . i
i=1
9
Siendo Y funcion solo de X1 ; :::; Xn entonces sera independiente de Xn+1, luego aplicando
nuevamente la hipotesis de induccion para el caso n = 2 obtenemos que X1 + ::: + Xn+1
Pn
es una variable aleatoria de Poisson de parametro i + n+1.
i=1
Observacion: Este es uno de los muchos ejemplos de familias de variables aleatorias
independientes que son cerradas bajo la suma. Es decir la suma de variables aleatorias en
la familia es otro elemento de la misma familia. Un ejercicio relacionado sera encontrar
otra familia con la misma propiedad, por ejemplo variables aleatorias normales con media
y varianza desconocidas.
Problema IV.1.8
Sea X1; :::; Xn una familia de variables aleatorias exponenciales independientes con es-
peranzas 1; :::; n respectivamente.
(a) Pruebe que Y = i=1min X es variable aleatoria exponencial. >Cual es su parametro?
;:::;n i
(b) Muestre que IP Xk = i=1min X = 1+:::k+n
;:::;n i
Solucion:
(a) Calculemos directamente la distribucion FY (y) = IP (Y y) = 1 IP (Y > y).
Siempre que y 0.
Es facil convencerse que i=1min X > y , Xi > y 8i = 1; :::; n.
;:::;n i
Esto prueba que IP (Y > y) = IP (X1 > y; :::; X2 > y), por independencia de los Xi
tendremos que:
Y
n
FY ( y ) = 1 IP (Xi > y)
i=1
R1
Ademas como IP (Xi > y) = i e i xdx = e iix i y1= e iiy i
y
Pn i y Pn i x
Al reemplazar tendremos que FY (y) = 1 e i=1
Ry Pn
= ( i ) e i=1 dx:
0 i=1
Por lo tanto IP (X Y ) = 1 = + .
(+ )
En nuestro caso particular tendremos que IP Xk min X = k+P
i6=k i
k k
i = 1 +:::+n
i6=k
Problema IV.2.1
Sea (
; F ; IP ) espacio de probabilidad y T :
!
funcion medible sobreyectiva tal que:
8A 2 F IP T 1(A) = IP (A); es decir IP -invariante
Sean J0 = A 2 F T 1(A) = A y J = A 2 F IP T 1 (A)4A = 0 .
Muestre que J0 y J son -algebras.
Solucion:
Primero veamos que J0 es -algebra.
Como T 1() = y T 1 (
) =
) ;
2 J0
Dado A 2 J0 T 1 (Ac ) = T 1 (A)c = Ac ) Ac 2 J0
Dados A; B 2 J0 ) T 1(A \ B) = T 1(A) \ T 1(B) = A \ B , A \ B 2 J0
S S S S
Dado fA g2 J0 ) T 1 A = T 1(A ) = A ) A 2 J0
2 2 2 2
Lo anterior muestra que J0 es -algebra.
Para probarlo para J recordemos que A4B = (A n B) [ (B n A) [ Diferencia simetrica].
Entonces 4 = y
4
= ) ;
2 J .
Una representacion equivalente es, A4B = (A [ B) n (A \ B).
Dados A; B 2 J :
11
T 1 (A \ B)4(A \ B) = T 1(A \ B) n (A \ B) [ (A \ B) n T 1 (A \ B)
T 1(A \ B) n (A \ B) = T 1 (A) \ T 1 (B) \ (Ac [ Bc)
= T 1 ( B ) \ T 1 ( A) n A [ T 1 ( A) \ T 1 ( B ) n B
(A \ B) n T 1(A \ B) = A \ B \ T 1(A)c [ T 1(B)c
= B \ A n T 1 ( A) [ A \ B n T 1 ( B )
Como IP (A [ B) IP (A) + IP (B) 8A; B 2 F las igualdades anteriores muestran que:
IP A n T 1 (A) = IP T 1(A) n A = IP T 1(B) n B = IP B n T 1 (B) = 0
Aseguran que:
IP T 1(A \ B)4(A \ B) = 0
Solo resta ver que se tienen esas condiciones.
A; B 2 J ) IP T 1 (A)4A = IP T 1(B)4B = 0
Por denicion:
IP T 1(A)4A = IP T 1 (A) n A + IP A n T 1 (A)
) IP T 1(A) n A = IP A n T 1(A) = 0
De manera analoga se prueba para B, luego A \ B 2 J
Dado A 2 J
T 1 (A)c 4Ac = [Ac [ T 1 (Ac )] n [Ac \ T 1(A)c ] = [Ac [ T 1(A)c ] \ [A [ T 1 (A)]
= [T 1 (A) \ Ac ] [ [A \ T 1 (A)c ]
= [T 1 (A) n A] [ [A n T 1(A)]
= [T 1 (A)4A]
Entonces IP T 1 (Ac )4Ac = 0 ssi IP T 1(A)4A = 0 ) Ac 2 J
Dado fA g2 J
[ ! [ ! " [ ! \ c# "[ \ #
T 1 A 4 A = T 1 A \ A [ A \ T 1 (Ac )
2 2 2 2 2 2
Sabemos que 8 2 IP T 1(A )4A = 0
12
Es decir IP T 1(A ) n A = IP A n T 1(A ) = 0
T S T S T 1 ( A ) \ Ac
Como A A0 80 2 ) T
c c 1 A \ Ac
2 2 2 2
S S
Por lo tanto IP T 1 A \ Ac = 0
2 2
S S S
De manera analoga A \ T 1(A )c [A \ T 1 (A )c]
2 2 2
S S
Luego IP A \ T 1(A )c = 0 con lo que:
2 " 2
[ ! [ !# [
IP T 1 A 4 A = 0 es decir A 2 J
2 2 2
Por lo tanto J es -algebra.
Observacion: Ademas como [T 1(A) = A ) IP (T 1 (A)4A) = 0] ) J0 J .
Problema IV.2.2
Si Y sigue una distribucion uniforme en [0; 5], > Cual es la probabilidad de que ambas
races de la ecuacion
4x2 + 4xY + Y = 0
sean reales?
Solucion:
Por denicion, si Y es una v.a. con distribucion uniforme en [0; 5] entonces Y es v.a.
con densidad
(8t 2 IR) : fY (t) = 15 1[0;5] (t)
Al considerar que Y es una funcion medible que esta denida en cierto espacio de
probabilidad
y a valores en IR, se tendra que dado ! 2
la ecuacion en la indetermi-
nada x:
4x2 + 4xY (!) + Y (!) = 0
tiene ambas de sus races reales si y solo si
[4Y (!)]2 4 4 Y (!) 0
i.e.
Y (!) [Y (!) 1] 0
13
De lo anterior, concluimos que al denir en
el suceso
R := f! 2
: la ecuacion 4x2 + 4xY (!) + Y (!) = 0 tiene ambas races reales g
entonces
R = f! 2
: Y (!)[Y (!) 1] 0g
(1)
= f! 2
: Y (!) 0 ^ Y (!) 1g [ f! 2
: Y (!) 0 ^ Y (!) 1g
Pero como
Z0
P (f! 2
: Y (!) 0 ^ Y (!) 1g) = P (f! 2
: Y (!) 0g) = fY (t) = 0
1
de (1) concluimos que:
P (R) = P (f! 2
: Y (!) 0 ^ Y (!) 1g) = P (f! 2
: Y (!) 1g)
Z+1 Z5 1 4
= P [Y 2 [1; +1]] = fY (t)dt = 5 dt = 5
1 1
Antes de nalizar notamos que la igualdad (1), asegura que al conjunto R tiene sentido
calcularle probabilidad. En efecto, si en
se encuentra denida una -algebra A respecto
de la cual la funcion Y :
! IR es medible, entonces de (1) es directo que:
R = [Y 1] [ [Y 0] (2)
Como Y es funcion medible se tiene que [Y 1] 2 A e [Y 0] 2 A, de donde por (2)
resulta evidente que R 2 A.
Problema IV.2.3
Dadas X , Y , Z variables aleatorias independientes con distribucion uniforme en [0; 1].
>Cual es la probabilidad que la ecuacion cuadratica Xt2 + Y t + Z = 0 tenga raices reales?
Solucion:
Por independencia la densidad conjunta del vector (X; Y; Z ) sera:
fXY Z (x; y; z) = fX (x)fY (y)fZ (z) = 11[0;1](x) 11[0;1](y) 11[0;1] (z)
Xt2 + Y t + Z tendra races reales si y solo si Y 2 4XZ 0.
14
Por lo tanto la solucion es calcular el area de la interseccion en IR3 entre el cubo [0; 1]3
y la supercie Y 2 4XZ 0 ya que hay una densidad uniforme en el cubo.
p
Como X; Y; Z 0 entonces al despejar de Y 2 4XZ 0 obtenemos Y 2 XZ .
Para poderpestablecer un parametrizacion del dominio, de ahora en adelante asumiremos
que Y 2 XZ y que X , Y , Z 2 [0; 1].
p
Para que Y 2 [0; 1] ) 2 XZ 1
p p
Mas precisamente Y 2 [2 XZ; 1] cuando 2 XZ 1
p
Claramente tendremos que suponer ademas que 2 XZ 1
p
2 XZ 1 ) XZ 41 ) Z (X ) 41X
( Z 2 [0; 1 ] si X 2 [ 1 ; 1]
4X 4
Z 2 [0; 1] si X 2 [0; 41 ]
Con el razonamiento anterior estamos en condiciones de dar una parametrizacion de la
supercie. Esta sera:
p p
([0; 14 ]; [2 XZ; 1]; [0; 1]) [ ([ 41 ; 1]; [2 XZ; 1]; [0; 41X ])
En consecuencia la probabilidad a calcular sera:
Z41 Z1 Z1 Z1 Z41X Z1
IP [Y 2 4XZ 0] = dydzdx + dydzdx
0 0 2pXZ 1 0 2pXZ
4
Z14 Z1 p Z1 Z41X p
= (1 2 XZ )dzdx + (1 2 XZ )dzdx
0 0 14 0
Z41
4 p Z 1 1
1 )dx
= (1 3 X )dx + ( 4X 6X
0 1 4
= 41 4 2 ( 1 ) 32 + 1 ln 4 0:25441342
3 3 4 12
Problema IV.2.4
15
Sea X una v.a. con funcion de densidad fX . Se dene la v.a. Y := Xb a donde a; b 2 IR
estan dados y b > 0.Demuestre que la v.a. Y tambien tiene funcion de densidad.
Solucion:
Debemos encontrar una funcion fY : IR ! IR+ [ f0g integrable en IR tal que
Zy
(8y 2 IR) : FY (y) = fY (u)du
1
donde FY es la funcion de distribucion de la v.a. Y .
En efecto, dado y 2 IR tiene que
FY (y) := P [ X b a y] = P [X a y b] = P [X y b + a]
y por lo tanto
yZb+a
FY ( y ) = fX (v)dv (1)
1
Consideremos el cambio de variable lineal v = u b + a. La expresion en (1) queda:
Zy
FY ( y ) = b fX (u b + a)du
1
Al denir (8y 2 IR) : fY (y) := b fX (y b + a) de lo anterior obtenemos que:
Zy
(8y 2 IR) : FY (y) = fY (y)dy
1
lo que demuestra que la v.a. Y tiene funcion de densidad.
Para nalizar destacamos que la medibilidad de la funcion Y esta garantizada por la me-
dibilidad de la v.a. X , y ademas la integrabilidad en IR de la funcion fY es consecuencia
de la integrabilidad en IR de la funcion fX .
Problema IV.2.5
16
Sea X una v.a. simetrica en torno a cero i.e. (8x > 0) : P [X > x] = P [X < x].
Muestre que si X es v.a con funcion de densidad fX entonces la v.a denida por Y := X 2
tiene funcion de densidad dada por
0 ;y 0
fY (y) := y 12 fX (y 12 ) ;y > 0
Solucion:
Demostremos primero que:
(1) Si X es v.a. simetrica en torno a cero entonces
(8x 0) : P [0 X x] = P [ x X 0]
(2) Si X es v.a. simetrica en torno a cero con funcion de densidad entonces
(8x 0) : P [jX j x] = 2P [0 X x]
En efecto, si X es v.a. simetrica en torno a cero entonces P [X > 0] = P [X < 0] y por lo
tanto P [X 0] = P [X 0]. Dado x > 0 se verica que:
P [0 X x] = P [X 0] P [X > x]
= P [X 0] P [X < x]
= P [ x X 0]
luego (1) es valido si x > 0, como (1) es evidente si x = 0 concluimos .
Por otro lado, si X es v.a. simetrica en torno a cero con funcion de densidad, dado x 0
es claro que:
P [jX j x] = P [ x X x] = P [ x X < 0] + P [0 X x] (3)
Como X tiene funcion de densidad en particular se tiene que P [X = 0] = 0, luego de (3)
obtenemos que:
P [jX j x] = fP [ x X < 0] + P [X = 0]g + P [0 X x]
i.e.
P [jX j x] = P [ x X 0] + P [0 X x]
de donde por (1) concluimos que
(8x 0) : P [jX j x] = 2P [0 X x]
17
lo que demuestra (2).
Procedamos a demostrar que Y tiene funcion de densidad. Notemos que P [Y 0] = 1
luego
(8y < 0) : FY (y) := P [Y y] = 0 (4)
Por otro lado, si y 0 entonces
FY (y) := P [Y y] = P [X 2 y] = P [jX j py ]
de donde al denotar por fX a la funcion de densidad de la v.a X, por (2) obtenemos que
Zpy
(8y 0) : FY (y) = 2P [0 X py] = 2 fX (u)du (5)
0
Al hacer en (5) el cambio de variable v = u2 obtenemos que
Zy
(8y 0) : FY (y) = v 12 fX (v 12 )dv (6)
0
Al denir entonces 0
fY (y) := y 21 fx(y 12 );;yy > 00
es facil convencerse a partir de (4) y (6) que
Zy
(8y 2 IR) : FY (y) = fY (u)du
1
y por lo tanto la v.a. Y tiene funcion de densidad.
Antes de nalizar destacamos que la medibilidad de la funcion Y esta garantizada por la
medibilidad de la v.a. X . Ademas la integrabilidad en IR de la funcion fY es consecuencia
de la integrabilidad en IR de fX y de la igualdad de las integrales que permiten pasar de
las expresiones (5) a la (6).
Problema IV.2.6
Sea X una v.a. con funcion de distribucion FX y sea c 2 IR una constante dada. Se
dene la v.a. Y := maxfX; cg. Se pide que:
(a) De una expresion para la funcion de distribucion de la v.a. Y a partir de la funcion
de distribucion de la v.a. X .
18
(b) Demuestre que si X es v.a. con densidad y P [X c] = 0 entonces Y tambien tiene
funcion de densidad >Que puede decir si P [X c] > 0? .
Solucion:
(a) En lo que sigue denotaremos por FY a la funcion de distribucion de la v.a. Y ,
cuya medibilidad esta garantizada por la medibilidad de la v.a X. Claramente si
X :
! IR entonces
(8! 2
) : Y (!) := maxfX (!); cg c
luego
(8y < c) : P [Y y ] P [Y < c] = 0
de donde
(8y < c) : FY (y) = 0 (1)
Por otro lado, si y c es claro que:
Y (!) y , maxfX (!); cg y , X (!) y
luego
(8y c) : FY (y) = FX (y) (2)
De (1) y (2) se concluye que:
0
FY (y) = FX (y);; yy < cc (3)
Problema IV.2.7
Sean X1; :::; Xn variables aleatorias con densidad comun de Rayleigh con parametro > 0,
dada por:
f (x) = x2 e x2=22 11x>0(x)
(a) Determine la densidad conjunta de Y1 ; :::; Yn con Yi = Xi2 8i = 1; :::; n.
(b) >Cual es la distribucion de U = 1min X?
in i
20
Solucion:
(a)
Calculemos directamente la distribucion de Y = X 2 con X variable aleatoria Rayleigh
de parametro .
IP [Y y] = IP [jxj py] = IP [ py x py]
= IP [0 x py] ( Esto pues X es positiva )
Zpy x x2 p
FX ( y ) = x2 =22 e2 dx = 22 j0 y
2 e e
0
2
= (1 e y=2 ) (y 0)
Por lo tanto la ley de la variable aleatoria Y es exponencial.
Si los Xi son independientes ) Xi2 son independientes luego:
n 1
Y
fY1 ;:::;Yn (y1 ; :::; yn ) = yi =22 con yi 0 8i = 1; :::; n
i=1 22 e
Sabemos que:
Zzx2
IP X1 zX2 X2 = x2 = fX1=X2 (s; x2 )ds
0
Como X1 y X2 son independientes la distribucion condicional sera:
La funcion densidad debe integrar 1 para cualquier parametro por lo que sabemos que:
Z1 x
x2 =22 dx = 1 8 2 IR+
2 e
0
IP [Z z] = 1 (z2 1+ 1) = (z2z+ 1)
2
22
Observacion: Sera un buen ejercicio hacer el mismo calculo utilizando el metodo del
Jacobiano. Otra pregunta interesante sera cambiar el min de la parte (a) por un max.
Sigue siendo una variable aleatoria de Rayleigh ?
Problema IV.2.8
Suponga que X1 ; :::; Xn son independientes e identicamente distribuidas con densidad
comun f . Muestre que la densidad conjunta de U = 1min X y V = 1max
in i
X es:
in i
fU;V (u; v) = n(n 1)[F (v) F (u)]n 2 f (u)f (v)11IR (u v)
Solucion:
1. Calculo de IP (U u; V v).
IP 1min X u; 1max
in i
X v = IP [Xi u 8i = 1; :::; nXi v 8i = 1; :::; n]
in i
) IP [U u; V v] = IP [u Xi v 8i = 1; :::; n]
Por independencia e igual distribucion
IP [u Xi v 8i = 1; :::; n] = IP [u X1 v]n
= [F (v) F (u)]n 11IR (u v)
2. Solo consideraremos u < v ya que en otro caso se prueba rapidamente que vale 0.
Z1 Zv
IP [U u; V v] = fUV (u; v)dvdu
u 1
Es claro que existe una formula similar a esta para el caso de una variable aleatoria
discreta, que es ademas un buen ejercicio para comprender este problema.
IV.3 Metodo del Jacobiano
Problema IV.3.1
Sea X variable aleatoria exponencial de parametro X e Y variable aleatoria con dis-
tribucion uniforme en [0; 2].
Asumiendo que X e Y son independientes, calcule la distribucion conjunta de:
p p
U = X cos Y V = X sin Y
Muestre que U y V son variables aleatorias independientes y determine sus leyes junto
con las de:
2(U 2 + V 2) y U V
Solucion:
La densidad conjunta de X,Y es:
fXY (x; y) = e x 11[0;1)(x) 21 11[0;2] (y)
El cambio de variables que transforma las variables X,Y en las variables U,V es:
24
x px cos y u
y ! px sin y = v
Es necesario obtener el cambio de variables inverso, es decir que transforma U,V en X,Y,
este cambio de variables que notaremos ' es:
u ' u2 + v2 x
v
! arctg( v ) = y
u
El Jacobiano de ' sera:
2u 2v
D'(u; v) = u2v 1+( uv )2 u
1 1 1
1+( uv )2
Por lo tanto:
jdetD'(u; v)j = j u22+u2v2 + u22+v2v2 j = 2
Entonces utilizando la regla del Jacobiando que en este caso sera:
fUV (u; v) = jdetD'(u; v)j fXY (x(u; v); y(u; v))
Al reemplazar obtenemos:2 2
fUV (u; v) = 2 e (u +v ) 21 11[0;1)(u2 + v2 ) 11[0;2] (arctg( uv ))
Para simplicar las funciones indicadoras basta notar que:
u2 + v2 0 8u; v 2 IR
arctg( uv ) 2 [0; 2] 8u; v 2 IR
Z1
) fU 2+V 2 (k) = e [(k s)2 +s2 ]ds
1
Para poder desarrollar la expresion se intenta \armar" la densidad de alguna variable
aleatoria conocida en la variable de integracion.
Como (k s)2 + s2 = 2s2 2ks + k2 = 2(s k2 )2 + k2 k22 = 2(s k2 )2 + k22 .
Z1 Z1
) fU 2 +V 2 (k) = e k2
2 e 2(s 2 k )2
ds = e k22 e 2u2 du
1 1
r
= 2 e k22
r
) fU 2 +V 2 (k) = 2 e k2
2
La suma de los cuadrados de estas variables aleatorias es una variable aleatoria con la
misma densidad pero con parametro 2 .
Para calcular la ley de 2(U 2 + V 2) basta ver que:
Z2x r
IP (2(U 2 + V 2 ) x) = IP (U 2 + V 2 2x ) = 2 e
k2
2 dk
1
Al hacer el cambio de variables u = 2 k en la integral se tendra:
Z2x r k2
Zx r u2 dx
2 2 2
2 e dk = e
2
2 2
1 1
q u2 u2
Es decir: f2(U 2+V 2)(x) = fU 2 +V 2 ( 2x ) 21 =
2(2)2 e 8 = p81 e 8
26
Para calcular la ley de UV agregamos la variable V y buscamos el cambio de variables
inverso al que transforma U,V en V, VU es decir:
U V X X Y U
V ! VU ) Y ! X = V
El Jacobiano sera entonces: y x
1 0 ) jdetj = jxj
Por lo tanto utilizando nuevamente la regla del Jacobiano:
r r
fXY (x; y) = jxj e x2y2 e x2 = jxj e x2(1+y2)
Para obtener la marginal de Y integramos la conjunta con respecto a x.
Z1 2 Z
1
2 e
x2 (1+y2 ) 1
) fY (y) = jxje x2 (1+y2 ) dx = xe x 2 (1+y2 )
dx = 2(1 + y2)
1 0 0
) fY (y) = (1 +1 y2 )
Por lo tanto VU tiene distribucion de Cauchy.
Problema IV.3.2
Sean X; Y variables aleatorias independientes exponenciales de parametro .
Calcule e identique la distribucion de:
Z = X X+ Y
Solucion:
La densidad conjunta de X; Y sera:
fXY (x; y) = fX (x) fY (y) = 2 e (x+y)11 + (x) 11 + (y )
IR IR
Problema IV.4.
28
Un vector aleatorio X~ = (X1 ; :::; Xn) 2 IRn se dice que sigue una ley normal multivariada
de vector de medias 2 IRn y matriz de varianzas-covarianzas 2 IRnn (lo que se anota
X~ Nn(; ):::) si es d.p. y X~ tiene funcion de densidad
fX~ (~x) = 1p e T 1
21 (~x ) (~x )
(2)n=2 det
Demuestre que X~ Nn(; ) si y solo si 9Z~ Nn (0; I ) y A 2 IRnn invertible tal que
X~ = AZ~ + y = AAT .
Solucion:
Demostremos primero que si Z~ Nn(0; I ) y A 2 IRnn es invertible entonces el
vector aleatorio X~ := AZ~ + tiene ley Nn(; ) con = AAT . En efecto como
Z~ Nn(0; I ) entonces
fZ~ (~z) = (21)n=2 e 12 ~zT ~z
Consideremos la transformacion lineal afn g : IRn ! IRn dada por g(~z) := A~z + , es
claro que como A es invertible entonces g es biyectiva de hecho g 1(~x) = A 1~x A 1 .
Del metodo del Jacobiano concluimos que el vector aleatorio X~ := g(Z~ ) posee funcion
de densidad en IRn y que esta viene dada por:
fX~ (~x) = fZ~ (g 1 (~x))jdetJg 1 (~x)j = jdetA 1 jfZ~ (A 1 (~x ))
= j(2
detA j e1 T T 1 1
21 (~x ) (A ) A (~x )
)n=2
Al denir la matriz := AAT (que es d.p.) se tiene que :
(1) (AT ) 1 A 1 = (AAT ) 1 = 1
(2) jpdetA 1j = jdetAj 1
(3) det = [(detA) (detAT )]1=2 = [(detA)2 ]1=2 = jdetAj
De (1) y (2) concluimos que:
fX~ (~x) = (2)n=12 jdetAj e 21 (~x )T 1 (~x )
y de (3) obtenemos que:
fX~ (~x) = 1p e T 1
21 (~x ) (~x )
(2)n=2 det
luego X~ Nn(; ).
29
Recprocamente, supongamos que X~ Nn(; ). Como es matriz d.p. del curso de
algebra lineal sabemos que 9A 2 IRnn invertible tal que = AAT . Consideremos el
vector aleatorio Z~ denido por Z~ := A 1 X~ A 1 el cual verica trivialmente la
identidad X~ = AZ~ + . Para concluir basta demostrar que Z~ Nn(0; I ).En efecto, como
Z~ = g 1(X~ ) del metodo del jacobiano, podemos concluir que Z~ es un vector aleatorio
con densidad en IRn, dada por
fZ~ (~z) = fX~ (g(~z))jdetJg (~z)j = jdetAjfX~ (A~z + )
= jn= detAp j e 12 (A~z+ )T 1 (A~z+ )
(2) 2 det
= jn= detAp j e 12 ~zT (AT 1 A)~z
(2) 2 det
De (1) es claro que AT 1A = I , luego por (3) obtenemos que:
i.e. Y~ Nn(0; 2 I ).
33
Pn
Denotando por 11 := ei donde e1 ; :::; en son los vectores de la base canonica de IRn,
i=1
se tiene que:
1X n
Y = 1 11T Y~ = ( 11 )T Y~ (1)
n i=1 i n n
y
1 X n
1 Xn
1 Xn 1 Xn
n 1 (Yi Y ) = n 1 f Yi 2nY n Yi n( n Yi) g
2 2 2
i=1 i=1 i=1 i=1
X
n 1X
n
= 12 f Yi2 n( n Yi)2 g:
i=1 i=1
Ademas como
Pn Y 2 = Y~ T Y~ Pn
y ( n1 Yi)2 = ( n1 Y~ T 11)( n1 11T Y~ ) = n12 ~yT 1111T Y~
i
i=1 i=1
obtenemos que
1 X
n
n 1 i=1 (Yi Y )2 = (n 1 1) fY~ T Y~ 1 Y~ T 1111T Y~ g
n
(2)
1 T
= Y~ T ( I nn 11111 )Y~
De las igualdades (1) y (2) como Y~ Nn(0; 2 ; In) para concluir (segun fue demostrado
Pn Pn
en el problema anterior) que n1 Yi e n1 1 (Yi Y )2 son independientes, bastara
i=1 i=1
que:
I n 1 1111T 11
( n 1 )n = 0
En efecto:
1 T
( I nn 11111 ) 1n1 = n(n1 1) (11 n 1 1111T 11)
= n(n1 1) (11 n 1 11n) = n(n1 1) (11 11) = 0
Pn Pn
luego n1 Yi e n 1 1 (Yi Y )2 son independientes, y por lo tanto tambien lo son
i=1 i=1
X y Sn2 .
34