Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VAleatorias 0809
VAleatorias 0809
Variables aleatorias
3.1
Definicin, tipos
En ocasiones de un experimento aleatorio slo nos interesar medir ciertas caractersticas del mismo.
En estos casos nos bastar con conocer la distribucin o modelo de probabilidad de cada caracterstica.
Ejemplo 21 Si queremos estudiar la suma de dos dados lanzados uno tras otro, de los 36 resultados
(a, b), estudiaremos los 11 posibles resultados a + b. Si ninguno de los dados est trucado, nuestro
modelo de probabilidad ser:
1
si a + b = 2
36
2 si a + b = 3
36
P ( Suma sea ) =
..
1
si a + b = 12
36
Si quisiramos estudiar tambin cunto distan, es decir |ab|, tendramos 6 resultados: 0, 1, 2, 3, 4
5, con distribucin de probabilidad dada por:
6
si |a b| = 0
36
10 si |a b| = 1
36
P ( Distancia sea ) =
..
2
si |a b| = 5
36
Para ambas caractersticas estamos utilizando el mismo modelo de probabilidad sobre el espacio
muestral de 36 sucesos elementales: = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}. Y este modelo de probabilidad nos permite modelar ambas caractersticas (o cualquier otra asociada al experimento).
Definicin 3.1.1. Una variable aleatoria X es una funcin X : R, que a cada elemento del
espacio muestral le hace corresponder un nmero real.
La idea recogida en esta definicin es que para cada suceso elemental, , el valor X()
representa la caracterstica que queremos estudiar.
41
Densidad y distribucin
Ejemplo 22 En el experimento del lanzamiento sucesivo de dos dados, estamos considerando las
siguientes variables aleatorias:
X =
Y =
A2 = { : X() > 7} ;
A4 = { : (X Y )() = 6} .
Y nos interesar conocer la probabilidad de los diferentes sucesos correspondientes a una variable
aleatoria, es decir, su modelo o funcin de probabilidad.
Definicin 3.1.2. Sea X : R una variable aleatoria. Si A es un subconjunto de R, definimos:
P (A) = P (X A) := P ({ : X() A}) .
Ejemplo 23 De los tres primeros sucesos del ejemplo anterior, considerando que los dados no estn
trucados, tenemos que:
1
5+4+3+2+1
15
5
2
17
7
4
= ; P (A2 ) =
=
=
; P (A3 ) = 1
=
; P (A4 ) =
36
9
36
36
12
36
18
36
que hemos calculado con las siguientes evidentes igualdades:
3.2
2. lm F (x) = 1;
x
h0+
42
para todo x R .
Variables aleatorias
Es fcil, dada una funcin de distribucin, calcular la probabilidad de diferentes tipos de intervalos de la recta real. Basta tomar la definicin, P ((, x]) = F (x) y las propiedades generales de
cualquier funcin de distribucin. Denotaremos por
F (x ) = lm+ P ((, x h]) = P ((, x)) .
h0
=
=
=
=
La ltima de ellas nos dice que si la funcin de distribucin, F , tiene un salto en un punto, la
probabilidad de ese punto es positiva.
Ya hemos dicho que al estudiar una variable aleatoria nos interesar conocer su funcin de probabilidad. La funcin de distribucin caracteriza completamente la de probabilidad. Ahora bien, para
los casos ms interesantes de variables aleatorias que trataremos, hay herramientas ms sencillas que
la funcin de distribucin para conocer el reparto de probabilidad. stas son: la funcin de masa,
para una variable aleatoria discreta; la funcin de densidad, si la variable aleatoria es continua.
3.2.1
Definicin 3.2.2. Una variable aleatoria, X, se dice discreta cuando slo puede tomar un nmero
finito o numerable de valores x1 , . . . , xn , . . . .
La funcin de probabilidad de una variable aleatoria discreta X queda totalmente caracterizada
por su funcin de masa, que nos da la probabilidad de cada uno de esos posibles valores:
P (X = xi ) = P ({xi }) = P (xi ) = P ({ : X() = xi }) i = 1, 2, 3, . . . , n, . . . .
Se sigue de la definicin que
discreta tiene forma de escalera:
F (x)
x1
x2
x3
43
Densidad y distribucin
Ejemplo 24 Calcular la funcin de masa y la funcin de distribucin de la variable aleatoria
X =suma de los dados, en el experimento de tirar sucesivamente dos dados no trucados.
Solucin: El espacio muestral tiene 36 elementos:
= {(1, 1), (1, 2), . . . , (6, 5), (6, 6)} .
La variable aleatoria X, es una funcin del espacio muestral en R que slo toma los 11 valores enteros: 2, 3, . . . , 12. Puesto que los dados no estn trucados, los sucesos elementales son equiprobables,
y as:
1
, para cualquier (a, b) .
P ({(a, b)}) =
36
Puesto que podemos contar cuntos elementos de hay en cada uno de los sucesos X = 2, X = 3,
. . . , X = 12, conocemos la funcin de masa de la variable X. La siguiente tabla de valores, determina
completamente la funcin de masa de X:
xi
10
11
12
P (X = xi )
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Obsvese que
1+2+3+4+5+6+5+4+3+2+1
= 1.
36
Por su parte la funcin de distribucin, F : R [0, 1], viene dada por:
F (x) = 0
si x < 2 ,
F (x) = 1
si x 12
y para 2 x < 12, va subiendo de 0 a 1 paulatinamente creando una grfica con escalones horizontales
entre cada dos enteros consecutivos, con los saltos en cada entero determinados por la funcin de
masa (dibujar la grfica).
3.2.2
Definicin 3.2.3. Una variable aleatoria, X, se dice continua cuando puede tomar cualquiera
de los valores de un intervalo. La funcin de probabilidad de una variable aleatoria continua queda
caracterizada por su funcin de densidad, que es una funcin f : R R verificando:
1. f (x) 0, para todo x R;
Z
f (x) dx = 1.
2.
R
44
Variables aleatorias
Conviene resaltar que para una variable aleatoria continua X, los sucesos unitarios, A = {t}, tienen
probabilidad 0 pues:
Z
P ({t}) =
f (x) dx = 0 .
{t}
Este hecho viene a decir que si X es una variable aleatoria continua, la probabilidad de que X tome
un valor particular es nula: P (X = t) = P ({t}) = 0. Como consecuencia, la funcin de distribucin
no tiene saltos, es decir, es continua.
La funcin de distribucin se obtiene a partir de la funcin de densidad:
Z x
F (x) = P ((, x]) =
f (t) dt .
O=0
A=5
Z x1
0 si x
/ [0, 5]
x
dt =
1
f (x) =
= F (x) =
si x [0, 5]
5
0 5
5
1
f (x)
1
5
F (x)
45
3.3
Con frecuencia de los experimentos aleatorios que estudiemos, podremos realizar un estudio estadstico previo. Para ello, se toma cierta muestra, realizando varias veces el experimento, y se
recogen datos sobre distintas caractersticas del mismo. El objetivo ltimo es adaptar, para las distintas caractersticas del experimento (variables aleatorias), modelos de probabilidad tericos que
nos permitan predecir el comportamiento real (su probabilidad) de estas caractersticas.
De los datos tomados se calculan ciertas medidas que intentan darnos una idea de la distribucin
de cada una de las caractersticas objeto de estudio. Destacamos entre estas la media (medida
de centralizacin), la varianza y la desviacin tpica (medidas de dispersin). En esta seccin
definiremos los parmetros homnimos de estas medidas de la Estadstica.
Definicin 3.3.1. Dada una variable aleatoria discreta, X, con funcin de masa P (xi ), i = 1, 2, . . . ,
se define su media o esperanza como:
X
xi P (xi ) .
= E[X] =
i
De manera anloga, si X es una variable aleatoria continua, con funcin de densidad f (x), se
define su media o esperanza como:
Z
= E[X] =
xf (x) dx .
R
Pasemos a las medidas de dispersin (en el captulo de Estadstica vimos la utilidad de estas
medidas).
Definicin 3.3.2. La varianza de una variable aleatoria discreta, X, con funcin de masa P (xi )
y media se define como:
X
2 = V [X] = E[(X )2 ] =
(xi )2 P (xi ) .
i
Anlogamente, la varianza de una variable aleatoria continua, X, con funcin de densidad f (x)
media se define como:
Z
2
2
= V [X] = E[(X ) ] = (x )2 f (x) dx .
R
La desviacin tpica, , de una variable aleatoria se define como la raz cuadrada positiva de
su varianza.
Ejercicio 1 Demostrar, en los casos discreto y continuo, la siguiente identidad para la varianza de
una variable aleatoria:
2 = E[X 2 ] 2
46
Variables aleatorias
Solucin: Si X es una variable aleatoria discreta con funcin de masa P (xi ), desarrollando el
cuadrado y simplificando, se obtiene:
X
2 =
(xi )2 P (xi )
i
X
=
(x2i 2xi + 2 )P (xi )
i
x2i P (xi ) 2
X
P (xi )
xi P (xi ) + 2
i
i
2
= E[X ] 2 + = E[X ] .
En el caso continuo, desarrollando el cuadrado y simplificando, se obtiene:
Z
2
=
(x )2 f (x) dx
Z
ZR
2
2
x f (x) dx 2
xf (x) dx +
f (x) dx
=
R
R
2
R
2
= E[X ] 2 + = E[X ] .
Ejemplos
Ejemplo 26 Una persona participa en un concurso de televisin con las siguientes reglas:
Si contesta correctamente a una pregunta con cinco respuestas posibles (slo una correcta) gana
10 000e.
En caso contrario se le propone una segunda pregunta con tres respuestas posibles (slo una
correcta). Si acierta gana 1 000e.
Si tampoco acierta la segunda respuesta, se le propone una tercera con dos respuestas posibles
(slo una correcta). Si acierta no gana nada, pero si falla debe pagar 500e.
El juego termina cuando la persona acierta o tras fallar la tercera pregunta. Si un concursante contesta
al azar, calclese:
a) probabilidad de que obtenga una respuesta correcta;
b) la ganancia esperada;
c) E[X] y V [X], siendo X el nmero de preguntas propuestas al concursante.
Solucin: Sea Ai el suceso el concursante responde correctamente la cuestin i-sima, i = 1, 2, 3.
Los sucesos A1 , A2 y A3 son independientes.
a) La probabilidad de que una respuesta sea correcta es:
P (A1 ) + P (A2 )P (Ac1 ) + P (A3 )P (Ac1 )P (Ac2 ) =
47
11
1 1 4 1 4 2
+ + =
.
5 3 5 2 5 3
15
con
y2 = 1 000
con
y3 = 0
con
y3 = 500
con
1
;
5
4
P (y2 ) =
5
4
P (y3 ) =
5
4
P (y3 ) =
5
P (y1 ) =
1
3
2
3
2
3
4
;
15
1
4
=
;
2
15
1
4
=
.
2
15
1
4
4
4
+ 1 000
+0
500
= 2 133.33e .
5
15
15
15
x1 = 1
con
P (X = 1) = P (A1 ) =
x2 = 2
con
P (X = 2) = P (A2 )P (Ac1 ) =
x3 = 3
con
1
3
2
P (X = 3) = P (Ac2 )P (Ac1 ) =
3
4
4
=
,
5
15
4
8
=
.
5
15
As:
= E[X] =
3
X
xi P (xi ) = 1
i=1
2
V [X] = E[X ] =
4
8
35
1
+2
+3
=
= 2.33 ;
5
15
15
15
3
X
x2i P (xi ) 2
i=1
2
1
4
8
35
= 1 +4
+9
5
15
15
15
91 1225
1365 1225
140
28
=
=
=
=
= 0.622 .
15
225
225
225
45
Ejemplo 27 La longitud de ciertos tornillos en centmetros se distribuye segn la funcin de densidad:
( 3
(x 1)(3 x) si x [1, 3]
f (x) =
4
0
si x
/ [1, 3] .
i) Calclese E[X] y [X].
ii) Si los tornillos son vlidos slo si su longitud est entre 1.7 y 2.4 cm., calclese la probabilidad
de que un tornillo sea vlido.
48
Variables aleatorias
Solucin: i) Aplicamos directamente las frmulas a la variable aleatoria continua X =longitud del
tornillo, que tiene funcin de densidad f (x):
Z
E[X] =
=
=
E[X 2 ] =
=
2 [X] =
[X] =
Z
3
3 3
x(x 1)(3 x) dx =
(3x + 4x2 x3 ) dx
4
4
1
1
3 3
4
1
(9 1) + (27 1) (81 1)
4
2
3
4
3 8
3
104
12 +
20 = = 2 ;
4
3
4 3
Z 3
1
3
3
(27 1) + (81 1) (243 1)
(3x2 + 4x3 x4 ) dx =
4 1
4
5
3
242
3 28
21
26 + 80
=
=
4
5
4 5
5
21
1
E[X 2 ] 2 =
4=
5
5
r
1
5
=
= 0.447 .
5
5
3
ii) Nos piden calcular P (1.7 < x < 2.4), que, por definicin, es:
Z
2.4
=
=
=
3.4
3
f (x) dx =
4
2.4
(3 + 4x x2 ) dx
1.7
3
1
3(2.4 1.7) + 2(2.42 1.72 ) (2.43 1.73 )
4
3
1
3
1
2.1 + 5.74 8.911 = 10.92 8.911
4
3
4
2.009
= 0.50225 .
4
Varias variables
49
Varias variables
Ejemplo 28 En el experimento tirar dos dados perfectos sucesivamente, se considera el vector
aleatorio
(X, Y ) : R2
que dado un elemento = (a, b) nos devuelve:
(X, Y )() = (a + b, |a b|) .
En el concurso televisivo del Ejemplo 26, se considera el vector aleatorio
(X, Y ) : R2
que a cada elemento del espacio muestral, , le asocia:
(X, Y )() = ( preguntas propuestas al concursante , ganancia del concursante ) .
En la produccin de tornillos del Ejemplo 27, consideramos el vector aleatorio
(X, Y, Z) : R3
que al tomar cada tornillo , nos dice:
(X, Y, Z)() = ( su longitud , dimetro de la cabeza , longitud de la rosca ) .
En lo que sigue definiremos los conceptos anlogos al caso de una variable aleatoria para vectores
aleatorios de dimensin 2. El caso ndimensional es la generalizacin natural del de dimensin 2.
Adems, al considerar vectores aleatorios de la forma:
(X, Y ) : R2
podremos hacer representaciones sobre el plano, ganando en claridad a la hora de asimilar los conceptos.
Definicin 3.4.2. Si A es un subconjunto de R2 descrito como conjunto de posibles valores del vector
aleatorio (X, Y ) : R2 , definimos:
P (A) = P ((X, Y ) A) = P ({ : (X(), Y ()) A}) .
Definicin 3.4.3. La funcin de distribucin de un vector aleatorio (X, Y ) se define como:
F (x, y) = P ({(s, t) R2 : s x, t y})
= P ({ : X() x, Y () y})
Las propiedades de las funciones de distribucin de un vector aleatorio son, en cierto modo,
parecidas al caso de una variable. Sin embargo son menos manejables, de manera que utilizaremos
las funciones de masa conjunta o de densidad conjunta, para el clculo de probabilidades.
Ejercicio 2 Calcular la funcin de distribucin del vector aleatorio
(X, Y ) : R2
correspondiente al concurso televisivo del Ejemplo 28.
50
Variables aleatorias
3.4.1
Densidad conjunta
Definicin 3.4.4. Un vector aleatorio (X, Y ) es discreto cuando slo puede tomar un nmero
finito o numerable de valores. El modelo de probabilidad conjunta de un vector aleatorio
(X, Y ) discreto queda caracterizado por la funcin de masa conjunta:
P (X = xi , Y = yj ) = P ({ : X() = xi , Y () = yj }) i = 1, . . . , m ; j = 1, . . . , n .
Cuando est claro por el contexto, utilizaremos la siguiente notacin: pi,j = P (X = xi , Y = yj ).
La funcin de masa conjunta suele presentarse con una tabla de doble entrada:
Y
X
y1
x1
..
.
yj
yn
..
.
xi
..
.
pi,j
..
.
xm
Ejemplo 29 Para el concurso televisivo descrito en el Ejemplo 26, calcular la funcin de masa del
vector aleatorio determinado por:
(X, Y )() = ( preguntas propuestas al concursante , ganancia del concursante ).
Solucin: Este vector aleatorio puede tomar 3 4 = 12 valores, tomando la primera componente
3 posibles valores, y 4 la segunda. La siguiente tabla nos representa la funcin de masa conjunta:
Y
X
500
1 000
0
4
15
0
4
15
0
4
15
0
10 000
1
5
0
0
51
Varias variables
Obsrvese que, de la definicin, es fcil obtener cada distribucin marginal si la funcin de masa
conjunta viene representada por una tabla de doble entrada: basta en cada caso sumar por filas o
por columnas.
Ejemplo 30 Las distribuciones marginales del ejemplo anterior se obtienen a partir de la tabla como
se indica:
Y
X
500
1 000
4
15
4
15
4
15
4
15
4
15
4
15
8
15
4
15
4
5
1
5
P (Y = yj )
FY (yj )
3.4.2
10 00
1
5
P (X = xi )
1
5
4
15
8
15
FX (xi )
1
5
7
15
1
Covarianza
Cov(X, Y )
.
[X][Y ]
Este coeficiente verifica que 1 r 1, y sirve para estudiar la existencia de una posible relacin
lineal entre X e Y : digamos Y = aX + b para ciertos coeficientes a, b R. Si r = 1 r = 1, existe
tal relacin lineal. Su utilidad qued ms clara en los captulos sobre Estadstica.
Ejercicio 3 Demostrar la siguiente frmula:
Cov(X, Y ) = E[XY ] E[X] E[Y ] .
52
Variables aleatorias
Solucin: Desarrollando el sumatorio y usando las propiedades de las funciones de distribucin
conjunta y marginales, tenemos:
Cov(X, Y ) =
=
m X
n
X
i=1 j=1
m X
n
X
i=1 j=1
E[X]
m
X
xi
i=1
n
X
yj
m
X
j=1
= E[XY ] E[Y ]
n
X
P (X = xi , Y = yj )
j=1
m X
n
X
P (X = xi , Y = yj ) + E[X]E[Y ]
P (X = xi , Y = yj )
i=1
m
X
i=1 j=1
xi P (X = xi ) E[X]
i=1
n
X
yj P (Y = yj ) + E[X]E[Y ]
j=1
3.4.3
Independencia
para
i = 1, . . . , m ; j = 1, . . . , n .
m X
n
X
i=1 j=1
m X
n
X
xi yj P (X = xi , Y = yj )
xi yj P (X = xi ) P (Y = yj )
i=1 j=1
m
X
n
X
xi P (X = xi )
yj P (Y = yj )
i=1
j=1
m
X
= E[Y ]
xi P (X = xi ) = E[Y ]E[X] .
i=1
53
Varias variables
En particular Cov(X, Y ) = E[XY ] E[X]E[Y ] = 0, en otras palabras, X e Y son incorreladas
siempre que sean independientes.
Ejercicio 5 Calcular la covarianza de las variables aleatorias X = nmero de preguntas propuestas
al concursante e Y = ganancia de un concursante, del Ejemplo 26.
Solucin: De la tabla de las funciones de masa conjunta y marginales del vector (X, Y ) vemos que
no son independientes, pues, por ejemplo:
P (X = 3, Y = 0) =
4
15
mientras que
P (X = 3) P (Y = 0) =
8 4
4
6=
.
15 15
15
6 400 7 6 400
7
25 600
6 400
Cov(X, Y ) = E[XY ] E[X]E[Y ] =
= 1
=
3
3
3
3
3
9
E[X] = 1
de donde:
3.4.4
Densidades condicionadas
P (X = xi , Y = yj )
,
P (Y = yj )
i = 1, . . . , m .
P (X = xi | Y = yj ) =
i = 1, . . . , m .
Y, anlogamente, para Y : P (Y = yj | X = xi ) = P (Y = yj ), j = 1, . . . , n.
3.4.5
Definicin 3.4.9. Un vector aleatorio (X, Y ) es continuo cuando toma valores en un subconjunto
no discreto de R2 ; por ejemplo: un cuadrado, un rectngulo, un tringulo, un crculo, un sector
circular, . . . .
El modelo de probabilidad conjunta de un vector aleatorio (X, Y ) continuo queda caracterizado por la funcin de densidad conjunta, que es una funcin f : R2 R, verificando:
1. f (x, y) 0 para todo (x, y) R2 ;
54
Variables aleatorias
ZZ
2.
f (x, y) dx dy = 1.
R2
f (x, y) dx dy .
A
Definicin 3.4.10. Las distribuciones marginales de un vector aleatorio (X, Y ) son las que
se obtienen al considerar cada caracterstica por separado. As tenemos:
Distribucin marginal de X: es de tipo continuo y su funcin de densidad marginal
viene dada por:
Z
f (x) =
f (x, y) dy ,
para todo x R .
Definicin 3.4.11. La covarianza entre dos variables aleatorias continuas X e Y se define como:
ZZ
Decimos que X e Y estn incorreladas, cuando Cov(X, Y ) = 0. El coeficiente de correlacin lineal de (X, Y ) se define como:
Cov(X, Y )
r=
.
[X][Y ]
Ejercicio 6 Demostrar la igualdad: Cov(X, Y ) = E[XY ] E[X]E[Y ].
Definicin 3.4.12. Dos variables aleatorias continuas, X e Y , se dicen independientes si:
f (x, y) = f (x)f (y)
para cualesquiera x R, y R .
f (x, y)
,
f (y)
para todo x R .
Obsrvese que es necesario que f (y) > 0. Intuitivamente, esto quiere decir que estamos condicionando por un valor de Y potencialmente observable.
55
Varias variables
Es fcil comprobar que si X e Y son independientes, las distribuciones condicionadas coinciden
con las distribuciones marginales correspondientes:
f (x | y) =
f (x)f (y)
= f (x) , para todo x R ;
f (y)
f (y | x) =
f (x)f (y)
= f (y), para todo y R .
f (x)
f (x, y) =
k(x + xy)
0
1) Cul es el valor de k?
2) Calcular la densidad marginal, la esperanza y la varianza de cada variable.
3) Son variables independientes?
4) Calcular la covarianza.
Solucin: 1) Puesto que es una funcin de densidad hemos de tener integral total 1. Integrando
tenemos:
ZZ
Z 1Z 1
f (x, y) dx dy = k
(x + xy) dx dy
R2
0
0
Z 1 Z 1
Z 1
1
= k
x
(1 + y) dy dx = k
x (1 0) + ( 0) dx
2
0
0
Z 1 0
3k
3k
3k 1
4
=
x dx =
0 =
= k = .
2 0
2 2
4
3
2) Las densidades marginales sern:
Z
f (x) =
f (x, y) dy
ZR1
4
4x
1
x(1 + y) dy =
(1 0) + ( 0) = 2x
3
3
2
0
2x si x (0, 1)
de donde: f (x) =
0
en otro caso;
Z
f (y) =
f (x, y) dx
R
Z 1
2
4
4(1 + y) 1
ahora bien:
(1 + y)x dx =
0 = (1 + y)
3
3
2
3
(0 2
(1 + y) si y (0, 1)
de donde: f (y) =
3
0
en otro caso.
ahora bien:
56
Variables aleatorias
Con las densidades marginales calculamos los parmetros pedidos de cada variable:
Z
X = E[X] =
E[X 2 ] =
2
X
= E[X 2 ] 2X
Y = E[Y ] =
E[Y 2 ] =
Y2 = E[Y 2 ] 2Y
1
2
x 2x dx = 2
0 =
3
3
0
Z 1
1
1
x2 2x dx = (1 0) =
2
2
0
1 4
1
=
2 9
18
Z 1
2
21 1
=
y (1 + y) dy =
+
3
3 2 3
0
Z
2 1 2
21 1
=
y (1 + y) dy =
+
3 0
3 3 4
7
25
13
=
18 81
162
1
5
9
7
18
3.5
= y V (X)
= 2 /n.
= 1 X1 + X2 + + Xn entonces (X)
Es ms si X
n
57
Problemas
Podemos, por ltimo, tratar el caso ms general de combinaciones lineales de variables aleatorias independientes. Basta enunciar los resultados para dos variables. Los presentamos en forma de
ejercicio:
Ejercicio 9 Sean X e Y dos variables aleatorias independientes, y consideremos la nueva variable
T = aX + bY (con a, b R). Entonces:
E(T ) = aE(X) + bE(Y ) ,
V (T ) = a2 V (X) + b2 V (Y ) .
Cerramos la seccin con la observacin de que si no se tiene independencia (ni tan siquiera
incorrelacin) entre las variables, la covarianza juega un papel importante en la frmula de la varianza
de la combinacin (ver el problema 1).
Problemas
1. Demuestra las siguientes propiedades de esperanzas y varianzas de variables aleatorias:
(a) E[kX] = kE[X].
(b) E[X + Y ] = E[X] + E[Y ].
(c) V [kX] = k 2 V [X].
(d) Si X e Y son incorreladas: E[XY ] = E[X]E[Y ].
X
(e) V [X1 + + Xn ] = V [X1 ] + + V [Xn ] + 2
Cov(Xi , Xj ).
i<j
si 0 y 2
2x si 0 x 1
f (x) =
g(y) =
2
0
en otro caso;
0
en otro caso;
calcula:
i) E[X + Y ];
ii) E[2X 3Y + 5];
iii) E[2XY ];
iv) V [4X 2Y 3];
v) V [2X + 3Y ].
58
Variables aleatorias
3. En un experimento aleatorio el suceso A ocurre con probabilidad 0.2. Se realiza el experimento
tres veces y se define la variable aleatoria X = nmero de veces que ha ocurrido A en las tres
pruebas que se suponen independientes.
(a) Calcular E[X] y V [X].
(b) Representar grficamente la funcin de distribucin de X.
(c) Calcular P (X > 2) a partir de la funcin de distribucin.
4. La variable aleatoria X est distribuida de tal forma que su funcin de densidad determina con
los ejes un tringulo rectngulo con ngulo recto en el origen y base sobre el intervalo (0, 1).
Calcula sus funciones de densidad y distribucin, la esperanza, , la desviacin tpica, , y la
probabilidad de que X ( , + ).
5. Un semforo est verde para los coches durante un minuto y medio, y rojo durante 15 segundos.
Suponiendo que un automovilista llega al semforo con igual probabilidad en cualquier instante,
calclese el tiempo medio de espera.
6. Una diana est formada por tres crculos concntricos de radios 10, 20 y 30 cm. respectivamente.
Si se cae en el crculo central se obtienen 5 puntos, 3 puntos si se cae en la primera corona
y 1 punto al caer en la tercera corona. La probabilidad de que un tiro caiga en cada zona es
proporcional al rea de la misma (y ningn tiro cae fuera de la diana). Si se efectan cuatro
disparos, calclese:
(a) la puntuacin esperada;
(b) la probabilidad de la puntuacin total se mayor que 17.
7. Un examen consta de 5 temas numerados. Para elegir un tema al azar, se propone lanzar un
dado; si sale de 1 a 5, el nmero del tema es el resultado del dado; si sale 6 se vuelve a tirar
hasta que sale de 1 a 5. Sabemos que el dado est trucado de tal manera que la probabilidad
de que salga el nmero 2 es 2/7 y la probabilidad de cualquier otro nmero es 1/7. Sea X la
variable aleatoria que representa el tema seleccionado finalmente. Halla la probabilidad de que
X valga 1 (que nos interesa especialmente ya que el tema 1 es el nico que hemos estudiado).
8. El vector aleatorio (X, Y ) tiene una distribucin de probabilidad dada por:
P (X = 0, Y = 1) = 0.3 ; P (X = 1, Y = 1) = 0.1 ; P (X = 2, Y = 1) = 0.1 ;
P (X = 0, Y = 2) = 0.1 ; P (X = 1, Y = 2) = 0.2 ; P (X = 2, Y = 2) = 0.2 .
Calclese:
(a) Las distribuciones marginales y condicionadas;
(b) las esperanzas de cada variable, y la de XY ;
(c) las varianzas de cada variable y Cov(X, Y );
(d) el coeficiente de correlacin lineal.
59
Problemas
9. La vida til de cierto producto perecedero es una variable aleatoria con funcin de densidad
x
e
si x > 0
f (x) =
0
en otro caso.
Si X1 y X2 representan la vida til de dos unidades de dicho producto, seleccionadas al azar,
calclese P (X1 2, 1 X2 3).
10. Dado el vector aleatorio (X, Y ) y la funcin
k(x + y) si 0 x 2 0 y 2x x2
f (x, y)
0
en otro caso.
(a) Determnese k para que f (x, y) sea su funcin de densidad.
(b) Calcular P (0 X 1).
11. Las etiquetas de cierta bebida pueden tener un premio de forma que en cada 1000 etiquetas
hay 500 correspondientes a intntelo otra vez, 300 con premio de 5 euros, 150 con premios de
10 euros, 40 con premios de 50 euros y 10 con premios de 100 euros. Una persona compra una
botella que cuesta 10 euros.
(a) Si X es la variable aleatoria correspondiente al beneficio obtenido por el comprador, cul
es la distribucin de X?
(b) Cul es el beneficio esperado del comprador?
(c) Cul es la probabilidad de perder dinero?
(d) Si se sabe que el comprador ha ganado dinero, cul es la probabilidad de que le haya
tocado una etiqueta de 100 euros?
12. En una ciudad hay una proporcin p de personas que fuman. Se define una variable aleatoria
X que toma el valor 1 si al preguntar a una persona seleccionada aleatoriamente responde que
es fumador, y toma el valor 0 si responde que no lo es.
(a) En funcin de p calcula la esperanza de X e interpreta el valor obtenido.
(b) Calcula la varianza de X en funcin de p. Para qu valor de p es mxima la varianza?
(c) Si se pregunta a n personas seleccionadas aleatoriamente con reemplazamiento, y la variable
aleatoria Y representa el nmero de fumadores entre los n seleccionados, calcula la esperanza
y la varianza de Y .
13. Sea X una variable aleatoria continua con funcin de densidad
60
Variables aleatorias
(a) Calcula el valor m tal que la probabilidad de que X sea menor o igual que m es 0.5.
Interpreta el resultado obtenido.
(b) Si al cabo de 800 das el plaguicida ya no estaba activo, cul es la probabilidad de que
tras 600 das todava lo estuviera?
15. El vector aleatorio (X, Y ) tiene una distribucin uniforme en el cuarto de crculo de centro
(0, 0) y radio r correspondiente al primer cuadrante. Obtnganse las densidades conjunta y
marginales de X e Y , y estudiar si son variables independientes.
16. Una pareja decide encontrarse en un lugar prefijado entre las tres y las cuatro de la tarde, de
forma que el primero que llegue slo esperar al otro durante 15 minutos. Suponiendo que los
momentos de llegada de ambos al lugar son independientes y se distribuyen uniformemente
entre las tres y las cuatro, calclese la probabilidad de que no se encuentren.
17. Una fbrica produce una pieza en dos calidades diferentes: el 60 % de la produccin es de
calidad A. La duracin (en aos) de una pieza de esta calidad viene dada por la funcin de
densidad
x
e
si x > 0
fA (x) =
0
en el resto.
El 40 % restante es de calidad B. La duracin viene dada, en este caso, por la funcin de
densidad
2x
2e
si x > 0
fB (x) =
0
en el resto.
(a) Calcula la probabilidad de que una pieza de calidad A dure ms de 1 ao.
(b) Si tomamos una pieza al azar de toda la produccin, cul es la probabilidad de que dure
ms de 1 ao?
(c) Si tomamos una pieza al azar de toda la produccin, y observamos que dura ms de 1 ao,
cul es la probabilidad de que sea de calidad A?
18. Una empresa suministra energa elctrica a travs de dos lneas de alta tensin A y B. En la
siguiente tabla se muestran las probabilidades conjuntas pij = P {X = xi , Y = yj }, para las
variables X nmero de fallos mensuales en la lnea A e Y nmero de fallos mensuales en
la lnea B.
X
0
1
2
3
0
0.20
0.20
0.06
0.04
1
0.15
0.06
0.02
0.02
Y
2
0.05
0.08
0.02
0
3
0.04
0.03
0
0
4
0.02
0.01
0
0
61
Problemas
19. Dos caractersticas, X e Y , son variables aleatorias con funcin de densidad conjunta:
62