Está en la página 1de 23

a. Encuentre la probabilidad de cambiar el dispositivo.

b. Repita a. Sí la tercera falla del dispositivo se presenta en el décimo periodo de cheaueo


c. ¿Cuál de las dos variables aleatorias asumidas en a. y b. tiene menor variabilidad"/ ¿l'or que/

io. Suponga X, la resistencia a la ruptura de una cuerda (en libras) con distribución normal de
parámetros(40, 36). El fabricante tendrá utilidad neta así:
$10 por c/100 pies de alambre si 37<x<45
T(X) = $50 por c/100 pies de alambre si 45<x<51
$25 por c/100 pies de alambre si 51 < x
Halle el valor esperado de la utilidad y su desviación estándar.

17. La probabilidad de que un satélite, después de colocarlo en órbita, funcione de manera adecuada
es de 0.9. Suponga que cinco de estos se colocan en órbita y operan de manera independiente.

a. ¿Cuál es la probabilidad de que por lo menos, el 80% funcione adecuadamente?


b. Con n=20, responder a.
c. ¿Para n=100 cuántos satélites deben funcionar como máximo para tener la probabilidad del
90% de que esto ocurra? I

18. Las averías de máquinas en un taller siguen una distribución de Poisson de media 2 averías por
semana. Calcular la probabilidad de:

a. Ninguna avería en una semana


b. Menos de cinco en una semana
c. Menos de 6 ó más de 10 en un mes.

19. Un vendedor de seguros sabe que la oportunidad de vender una póliza es mayor mientras más
contactos realice con clientes potenciales. Si la probabilidad de que una persona compre una
póliza de seguro después de la visita es constante e igual 0.25, y si el conjunto de visitas constituye
un conjunto independiente de ensayos:

a. ¿Cuántos compradores potenciales debe visitar el vendedor para que la probabilidad de vender
por lo menos una póliza sea de 0.80?.
b. ¿Cuál es la probabilidad de que tenga que reunir 8 clientes para vender 5 pólizas?

20. La proporción de unidades defectuosas en un proceso de fabricación es una variable aleatoria que
se encuentra aproximada por una distribución beta con a =1, 0=20:

a. Gráficar la función de densidad


b. ¿Cuál es el valor de la media y de la desviación estándar?
c. ¿Cuál es la probabilidad de que la proporción de artículos defectuosos sea mayor que un 10%?
d. ¿Cuál es la probabilidad de que la proporción de artículos defectuosos sea menor que un 15%?
e. ;.Cuál es la probabilidad de aue la orooorción de artículos defectuosos se encuentre entre E(X)±2a

119
21. Para armar un artículo se necesitan 4 etapas. Si el tiempo total necesario para armar un artículo
(en horas), es una variable aleatoria con distribución gama y parámetro A=2,

a. ¿Cuál es la probabilidad de armar un artículo en menos de 15 horas?


b. Entre 5 y 8 horas?
c. Entre el E(x) + a

12. Al encargado de un servicio de automóviles, entre los que se tiene el de lavado, se le paga de
acuerdo al numero de vehículos que se atienden para lavado. Suponga que por vehículo se le
reconocen $5000, colocando él algunos materiales que para un día de trabajo le cuestan $3500.

a. Obtenga las ganancias esperadas por día, suponiendo que: llegan cada día 5 autos, y la
probabilidad de que uno cualquiera llegue para ser lavado es de 0.8.
b. El operario que no lava, pero se encarga de los demás servicios, recibe $15000 por día mas
una comisión del 15% según la ganancia del operario que lava. Cuales son las ganancias
esperadas de este trabajador?

13. Se especifica que el diámetro exterior de un elemento debe ser de 4 pulgadas. Suponga normalidad
del diámetro con parámetros 4 y 0.81 pulgadas; si el diámetro real se diferencia del valor especificado
por mas de 0,05 pulgadas pero con menos de 0.08, la perdida del fabricante es de US $50; si el
diámetro se diferencia en mas de 0.08 pulgadas del real, la perdida es de US $100. La pieza es
vendida en US $300.. Encuentre el valor esperado de la perdida, que es una variable aleatoria.

'.4. Suponga que la temperatura mas alta diaria durante el mes de enero en una aldea rural ha variado
uniformemente entre 0o y 5.0°C, según registros anteriores.

a. Que porcentaje de días se puede esperar que alcance una temperatura máxima de 3.5°C?
b. No exceda de 1°C?

!5. Suponga que el caudal de un río esta normalmente distribuido con media 7.6m3/seg y desviación
estándar 1.5m3/seg

a. Si el 10% del tiempo el caudal no fue suficiente para atender las demandas de irrigación y
suministro de agua para consumo público e industrial, establecer ¿cuál fue el caudal mínimo
necesario?.
b. Sí las demandas se pueden satisfacer a partir de caudales mayores a 4 m3/seg pero inferiores
a 8.5 m3/seg con que probabilidad se pueden cumplir?

!6. El proceso de taladrar agujeros en tarjetas de circuito impreso produce diámetros de 5 mm en


promedio y desviación estándar de 0.01 mm. Asumiendo distribución: i)»normal, ii) Gamma,
iii) Weibull.

a. Encuentre los límites del 90% en los cuales se podrá tener el diámetro de un determinado
agujero.
b. A partir de cuantos milímetros se tendrán el 5% de agujeros defectuosos por ser pequeños ó
más grandes.

120
27. En la producción de resistores de 50 ohms, los artículos no defectuosos son aquellos que tienen
resistencias entre 45 y 55 ohms, la probabilidad de que un resistor sea defectuoso es de 0.2%. Los
resistores se venden en cajas de 100, con la garantía de que ninguno es defectuoso.

a. ¿Cuál es la probabilidad de que un lote de 10 cajas viole ésta garantía?


b. Suponga que la garantía es de que máximo tres por caja son defectuosos, en lotes de 10 cajas no
más de 2 cajas pueden incumplir la garantía del lote. Encuentre las probabilidades de las garantías
por caja y por lote.

28. Sea X la variable aleatoria número de llamadas que ocurren en una central telefónica hasta que se
sobrecarga el sistema, el cual puede recibir un máximo de 10 llamadas. La distribución probabilística
de X es Geométrica con parámetro P=0.2.

a. ¿Cuántas llamadas se pueden esperar que sucedan, si se presentan tres fallas del sistema?
b. Determine la variabilidad del evento descrito en a.

121
IV. VECTORES ALEATORIOS
í VARIABLES ALEATORIAS N - DIMENSIONALES)

En este capítulo, se amplían los conceptos unidimensionales de variables aleatorias, funciones


de probabilidad, densidad y distribución, medidas que ayudan a describir una variable aleatoria, y
funciones de variables aleatorias.

DEFINICIÓN

Sean X b X 2 , ..., X n variables aleatorias sobre el mismo espacio de probabilidad y sea


(X b X 2 ,...,X n ) ó X una función de X,, X2,..., Xn, denominada Variable Aleatoria n - dimensional, o
vector aleatorio de orden n, tal que

( X i , X 2 , . . . , X n) = X : Q > ÍRn

(wi, W 2 , ...,Wn) -» (Xj (wl), X 2 (w2),...,X n ( W n ) ) = X (w)

NOTACION. X representa el resultado conjunto del experimento aleatorio, en el cual se han


observado las n características.

Ejemplo 7

X puede ser:

• (X|, X2,) = (tiempo para fallar circuito 1, tiempo para fallar circuito 2)

• (X b X2, X 3 ) = (estatura, peso, género de una persona)

• (Xj, X2, X3 X4) = (cantidad de lluvia, temperatura, duración, hora del día)

• (X h X2, X3, X4 X5) = (grosor, color, resistencia, peso, contenido de potasio en un pedazo de vidrio)

• (X b X2,..., Xn) = (n observaciones de la misma variable)

123
1. CLASES DE VECTORES ALEATORIOS

Al igual que las variables aleatorias, los vectores pueden ser Discretos, conformados por variables
aleatorias que toman valores enteros, Continuos si cada una de las n variables toman valores reales, y
Mixtos cuando constituyen una mezcla de variables continuas y discretas.

1.1 Vector Aleatorio Discreto

Cuando X toma valores finitos o infinitos enumerables (número contable de valores) se denomina
vector aleatorio discreto.

Ejemplo 2

Lanzar dos monedas; X. representa el resultado de la i-ésima moneda es sello, i = 1, 2


,\ . \ , X : Q > tt2

(c c) > (0, 0) = (X, ( W l ), X2 (w2)) =((X, (c), X 2 (c))

(c s) > (0, 1) = (X t (c), X 2 (s))

(s c) > (1, 0) = (X t (s), X2 (c))

(ss) > (1, l) = (X 1 (s),X 2 (s))

1.1.1 Funciones de Probabilidad de un Vector Aleatorio Discreto

Un vector aleatorio discreto se caracteriza por su función de probabilidad denominada conjunta,


conocida ésta es posible determinar otras funciones de subvectores aleatorios, también llamadas de
probabilidad, algunas de las cuales se conocen como marginales mientras otras son condicionales.

1.1.2 Función de Probabilidad Conjunta

Sea X un vector aleatorio discreto, la función de probabilidad conjunta de X, f x , cs definida

por: f x ( x ) : <Rn %,]

x fx(x)

124
Con fx(x) = f Xl X2...Xn (X1 x 2 - - - x n ) = P
( X
l =
X
1a X
2 = x2 a A
=xn)

= P ( ñ (Xi=Xi))

Tal que f x cumple las propiedades:

1. f x ( x ) > 0 2. H......Ifx(x) =l
— Vx

Ejemplo 3

Con base en el ejercicio anterior:

fx = fx,x2 : & >


(0,0) > fx (0,0)=P(X, = 0, X j = 0) = 1/4

(0,1) > f x .x 2 (0,1)= =1/4

(1.0 ) > fx,x2(l>°)= =1/4


(1.1 ) > fX]X2(l,l)= =1/4

1.1.3 Función de Probabilidad Marginal

Sea un vector aleatorio n-dimensional X de clase discreta con función de probabilidad conjunta
fxOO.

La función de probabilidad marginal de X b X2 ... X m , o de X(1) = (X b X2 ... Xm) subvector


aleatorio de dimensión m, m < n , se define como:

f
X1X2---Xm(xl>x2>---xm)= S I I f x ( x ) = fx(D ( x 0 )
)
Vx n Vx n _] Vxm+1

tal que cumple las mismas propiedades de la función conjunta de probabilidad f x ( x )

125
Ejemplo 7 7

En el lanzamiento de dos monedas, ejercicios 2 y 3, / x (x) f ^ ) , í x (x2) se puede representar


como en la tabla siguiente:
Z fxv(^y) x =0
1
X/Y 0 1 /x x
fx( )=- y=0

1 X = 1
0 1/4 1/4 2/4 Z fxri^y)
y=0

1 1/4 1/4 2/4


Z1 f xv( x >y) y=o
x=0
fy
2/4 2/4 1.0 fy(y) :
1
Z fxY(x>y) y=l
x=0

[0 en otro caso

Ejemplo 5

Dos lineas de producción manufacturan cierto tipo de artículos. Suponga que la capacidad (en
cualquier día dado) es dos artículos para la línea I y 3 para la línea II. Con base en la tabla adjunta que
muestra la distribución de probabilidad conjunta:

a. Obtener las funciones marginales de X, f x (x), e Y , f Y (y)


b. Calcular P(1 < X < 2, A, 0 < Y < 2).
c. Halle la probabilidad de que en la línea I se produzcan más artículos que en la II.
d. Encontrar la probabilidad de que se produzcan en total 3 artículos.
e. Cuál es la probabilidad de que la línea I produzca más que la línea II dado que se producen en
total 3 artículos.

X = I / Y=II 0 1 2 3 fx
0 0 0.04 0.12 0.09 0.25
1 0.02 0.14 0.21 0.14 0.51
2 0.07 0.06 0.06 0.05 0.24
/Y 0.09 0.24 0.39 0.28 1.0
%

Solución:

a. Se observa en la tabla anterior como las sumas de los valores de las filas generan las
probabilidades de la variable X, lo propio sucede con los valores de las columnas para obtener
la función de probabilidad de la variable aleatoria Y.

126
b. P(1 < X < 2; O <Y < 2)=f xy ( 1,0) + f x y (1,1 )=0.04 + 0.14= 0.18
El 18% de la producción fluctúa en la Línea I entre uno y dos artículos y en la Línea II no más
de dos artículos.

c. P(X>Y)= f xy (l,0) + f xy (2,0) + f xy (2,l)=0.02 + 0.07 + 0.06= 0.15


En el 15% de los días se produce mas en la Línea I que en la II.

d. P(X+Y=3)= f xy (l,2)+ f x y (2,l) + f xy (0,3)= 0.21 + 0.06 + 0.09= 0.36


La probabilidad de que se produzcan en total 3 artículos es 0.36

e. P(X>Y / X+Y=3)= f xy (2,1) / 0.36= 0.06 / 0.36= 0.1666

1.1.4 Función de Probabilidad Condicional

Sea un vector aleatorio n dimensional de clase discreta con función de probabilidad conjunta
f x (x), y con vectores aleatorios X (1) = (X, , X 2 , ... , Xm) y X(2) = (Xm+1 , X m + 2 ,... , X m ), (m< n), la
función de probabilidad de X f l ) dado el vector X ; : ; se define por:

PFÑ(Xi=x)
(1) (2) x x x x x Vi-1 ¿
f"x(l)/x(2) (x /x ) -fx1>X2...Xm/Xm+lj...Xn ( l' 2'--- m / m+l, ••• n) ~
pf ñ (X,=x)
/

fx(2L) fx(x)
r
xnl ,X n ( X m + l » - - - » X m ) fx(2)(x2)

con fXm+i.. .Xn ( x m+l' • • xnn ) = f X ( 2 ) ( x 2 ) > 0

y cumple con las propiedades de toda función de prebabilidad.

Ejercicio 6

En el ej ercicio anterior, calcular f x ¡ Y (x / y = 2)

127
Solución:

0.12
= 0.30769 x=0
0.39

ix/Y (x,2) P(X = x,Y = 2) 0.21


f
x/Y(x/y=2) = = 0.53846 x=l
f Y (2) P(Y = 2) 0.39

0.06
0.15385 x=2
0.39

La interpretación de cualquier valor resultante se puede hacer diciendo por ejemplo en caso del
0.53846 que si se producen 2 unidades en la línea II entonces la probabilidad de que se produzca una
sola en la línea I es 0.53846. Equivalente a indicar que en el 53.8% de los días en que se producen dos
unidades en la línea II, se produce una en la línea I.

1.2 Vector Aleatorio Continuo

El vector aleatorio (Xl5 X2,... ,Xn)= X es absolutamente continuo sí existe la función g x (x)
valorada en los reales tal que cumple:

x
1- 8 x ( ) 2 . J J J gx(x)dx = l
-00 —00 —00

entonces g x (x) es llamada FUNCIÓN DE DENSIDAD CONJUNTA DE X l5 X2,..., Xn.

Además se verifican las propiedades:

3. p n (a¡ <X £ <b¡) f; £ f>(x)dx


Vi=l J

4. P((x,,x 2 , , x n ) e A ) = JjA jgx(x)dx AcJ?"

Ejemplo 7

Sea X un variable aleatoria bidimensional de clase continua conjunción de densidad conjunta

k 0 < x j < x 2 <1


gx(x):
0 en otro caso

128
a. Encontrar k

K - 2
1= £ fi, Kdx2dx1=Kj¡ (1-xOdx^K
v 2y

b. Calcular P(X 2 - X, < 0.2) . A partir de la figura de al lado 0.2 0.4 0.6 0.8 T xi

P(X 2 <0.2 + X l )=f t 2 + X ' 2dx 2 dx, + {Q8 ¡lX{ 2dx 2 dx,

= {00'8 2(0.2 + x 2 - x 1 ) d x 1 + ¿ . 2 ( l - x , ) d x j =0.36

Ejemplo 8

Sean X, Y las proporciones del tiempo en un día de trabajo, que los empleados A y B,
respectivamente, se ocupan realmente en hacer sus tareas asignadas. El comportamiento de las
frecuencias relativas conjuntas se representan por:

¡ , íx + y 0<x<1 0<y<l
g íx,y) =
10 en otro caso

Calcular:

Y=-X+1
2
a. P(X< 1/2,Y> 1/4) = J n ' L (x + y ) d y d x = | i

b. P(X + Y<1) = J¡ (x + y)dydx = i

Los anteriores resultados indican que:

a. El 32.8% de los días trabajados por los dos empleados se caracterizan por que A trabajo
menos de la mitad del tiempo, mientras que B lo hizo durante más de la cuarta parte del
tiempo.

b. En uno de cada tres días el tiempo trabajado por A más el trabajado por B corresponde a un
día laboral completo.

129
1.2.1 Función de Densidad Marginal

Sea X un vector aleatorio continuo con función de densidad conjunta g x (x); X(1^=(X1,X2,...,Xn) y
X'2 =(Xm+1,Xm+2,...,Xn). La función de densidad marginal de Xm+1 X n se define por:

(2) f00 f00 f00 (1) m


g x (2)(x )=j i j gxo)(x ) dx - cumple las propiedades de una función de
densidad.

1.2.2 Función de Densidad Condicional

Sea X un vector aleatorio continuo con función de densidad conjunta g x (x) con x e R .

La función de densidad condicional de X (l, = (X lv ...,X m ) dado el vector X (2) — X


( m+l5 >Xn) es:

g x (2) fe'2') > 0 función de densidad marginal de X

Ejemplo 9

Continuando con el ejercicio 8, obtener:

a. La función de densidad marginal de X e Y.


b. Probabilidad de que el trabajador A labore mas de tres cuartas partes del tiempo dado que el
B labora mas de la mitad del día.
c. La función de densidad condicional del tiempo laborado por B conociendo el tiempo laborado
por A.

Solución

1 1
a. gY(y) = J0 (x + y)dx = y + — 0<y<l gxW=J0 (x + y)dy= X H 2 0<X<1

= 0.325
P(Y > 0.5) f1 (1 / 2 + y) dy
J J. 5

130
2W(x,y) x+ y
c. g ^ ( v + x)= --- — = f 0<x<l 0<y<l
gx(x) x+ i

2. FUNCIÓN DE DISTRIBUCION DE UN VECTOR ALEATORIO

Al igual que en el caso unidimensional, se define la función de distribución de un vector aleatorio,


tales funciones pueden ser conjuntas, marginales y condicionales.

2.1 Función de Distribución Conjunta

Sea X un vector aleatorio n-dimensional. La función de distribución conjunta de X se define


como:

FX(X) = P ( X 1 < X „ A , X 2 < X 2 , A , , A, X N < x n ) = P H X¡<x i


Ví=i

X, X2 Xn

= 1 1 I fx(t) X vector aleatorio discreto


t1=0 t 2 =0 t n =0

x
"1 2
J J |gx(x)dx X vector aleatorio continuo
-00 —00 —00

Tal que cumple las propiedades:

1. Lim Fx(x) = 0
Algún x—>oo

2 Lim F—x (x) - 1


Vx¡-»-00

3. La función de distribución marginal del subvector X (1) = (X t , X 2 , X 3 , X n _¡)

Lim FX(X) = FY(1)(X(1))

anFx(x)
4. XV _
8x]x2...xnrxi'X2'---xn) X vector aleatorio continuo
O Ai CVv2

lll
5. Sea X vector aleatorio tal que X', < X/', X'2 < X2", , X'n < Xn"
=> F x (X',, X'2 ,... ,X'n) < F x (X"! , X"2 ,..., X'n) la función de distribución conjunta es
creciente.

Ejemplo 10

Según el ejemplo 5, escribir la función de distribución conjunta.

0 x< 0 y<0
0.04 0<x<l 1<y<2
0.16 0<x4l 2<y<3
0.25 0< x < 1 3<y
0.02 1<x<2 0< y< 1
0.2 1 < x< 2 1<y<2
F XY (x,y) =
0.53 1<x<2 2<y<3
0.76 1<x<2 3<y
0.09 2<x 0<y<l
0.33 2<x 1<y<2
0.72 2<x 2<y<3
1.0 2<x 3<y

Ejemplo 11

En el ejemplo 7, determine Fx, x 2 (x h x2)

0 Xj <0 x2 < 0

f
2 X2
F x
X!X2 ( 1,* 2 ) = ío1 JxT 2 dx 2 dxj = 2 XIXN 0 < x , <1 0 < x? < 1
2

1 < x, 1 < x-

2.2 Función de Distribución Condicional

Sea X un vector aleatorio n- dimensional continuo (ó discreto) con función de densidad (ó función
de probabilidad) condicional. La función de distribución condicional del vector X ( l ) m- dimensional
respecto a X(2> (n - m)-dimensional se define por:

132
x x x
/i\ m+l m+2 n
FX(I)/X(2)(X(1)/X(2))= E E (x ( 1 ) /x ( 2 ) ) X ( 1 ) ,X ( 2 ) discretos
X x ••x £ f x«/x( 2 >
m+1=0 m+2=0 n=0
x
m+l xm+2
j J j g x(I ) /x (2)(x (1 Vx (2 >)dxW X ( 1 ) ,X ( 2 ) continuos
-00 -00
i (2)
f x (i) /x(2) ( x w / x ): Función de probabilidad condicional m-dimensional

g x (i) /x(2) íx"' ) / x ' 2 ' ) : Función de densidad condicional m-dimensional

Ejemplo 12

Del ejemplo 5, ó con base al ejemplo 10, determinar Fx/y (x/2).

0 x <0
0 ^_0.16 P(X<0,Y<2)
0<x<1
0.72 P(Y < 2)

Fx/y(X/2) = - 0 O 5 _ 0 . 5 3 _ P ( X < l , Y < 2 )


1<x<2
0.72 P(Y < 2)

1 0.72 P(X < 0, Y < 2)


2<x
0.72 P(Y < 2)

Ejemplo 13

Una estación de gasolina se abastece del combustible cada


determinado. Sea X la proporción de la capacidad del tanque disponible con gasolina, la cual varía
semana a semana debido al suministro limitado. Sea Y la proporción de la capacidad del tanque
medida durante la semana. Un modelo que resume la situación en torno a X y Y está dado por:

|3x 0 < y < x <1


gxY<Xy) =
en otro caso

a. Verifique que g XY (x,y) es función de densidad.


b. Hallar las funciones marginales de X y Y.
c. Calcular P(X < 0.5 , Y > %).

133
d. Determine la función de distribución conjunta de X y Y.

e. Determine gx/yí^Y)-
f. Encuentre F x/Y (x/y).

Solución:

a 3 x d
- ío Jo ydx=1

b. g x ( x ) = J0X 3 xdy = 3x 2 0 < x < 1. Se verifica L 3x 2 dx = 1

gv(y) = Jy 3xdx = | ( l - y 2 ) 0< y < 1. Se cumple Jq | ( l - y 2 ) d y = l

c. Conbase en la figura, P(X<0.5,Y > 1 / 4 ) = r ~ I' 3xdydy= j ^ 2 3 x ( x - l / 4 ) d x = 0.039

3
Y=X
d. F x y ( x , y ) = JQy | 3x dy dx = - x 2 y y- 1 "T

0.5-
o íw \r\ ^v 1 % — -
e. v/A) = CAI ' J ' = — - = — 0<y<x
gx(x) 3x" x
1
y<0
f F y 0<y<x
- Y/x(y/x)=í'gY/x(y/x)dy = f ~dy =
1 x<y

Ejemplo 14

Suponga la función de densidad de la variable aleatoria bidimensional (X, Y) dada por:

,2 , xy
x"+— 0<x<l
3
gxv( x >y) : 0<y<2
en otro caso

Calcular:

a. P(X >1/2) b. P(Y <X) c. P(Y < 1/2/X < 1/2)

134
Solución:

2
a. g x ( x ) = j ; i x + f dy = 2x 2 + - X 0<x<l
ó J i

1 ^ Í2X 2 + 2 ^ dx =0.833
l 3
r 3\
b. P(Y <X) = ¡1 J0X ( x 2 + x y / 3 ) ) d y d x = jJ 3 X dX:
X + —
24

1 2
c. P Y < — // vX < —
O | = ío íoJo 2 gxv(x,y)dydx
2 / 2J 1 / 2 _ ? 2x
í' 2x + — d x
JO T

1/2 1
Z' A
f 1/2 f l/2 [ 2 X V I . , ff li / 2 2 xy x x
ío ío x +
T dydx =
ío dx = -
v2 2 4y, 192

3. INDEPENDENCIA DE VARIABLES ALEATORIAS

Sea un vector aleatorio n- dimensional, se dice que las variables aleatorias (continuas o discretas)
que lo conforman son estocásticamente independientes si y sólo si:

K
f x ( x ) = n fXi(*i) V x , , x 2 , . . . x n discretas
i=l
K
gx(x) = n g X j ( x i ) V x , , x 2 , . . . x n continuas
i=l
K
Fx(x) = n F Xi (Xi) V x l , x 2 , . . . x n discretas o continuas
i=l

NOTA 1. De lo anterior, se pueden verificar para el caso bidimensional los siguientes resultados
de funciones de probabilidad, densidad y distribución condicionales y extensivos a n - dimensiones:

f
- x/Y (x ! Y) = fx(x)

135
- gx/y( x >y) =
gx(x)

- FX/Y(x / y) = F x (x)

Ejemplo 15

Un experimento tiene K resultados mutuamente excluyentes, cada uno con probabilidades Pi,
i = 1,2,...., K ; X Pi = 1. El experimento se repite n veces, en forma independiente una de otra.

Solución:

Sea X¡: variable aleatoria que indica el número de veces que ocurre el resultado i, en las n
repeticiones.

Siendo las k variables independientes, es posible escribir la función de probabilidad conjunta


como el producto de las funciones marginales, las cuales son binomiales, generando el modelo que
aparece abajo.

X¡ = 0,1,2,..., n ¿X,=l
i=l

f
x,x2...xk(xiv-xk)--^ n p¡x'
1=0
[ x .i (Modelo Multinomial)
i=o

Las variables aleatorias X¡ pueden ser categorías de estaturas, clases de elementos reconocidos
por determinada modalidad, etc. Lea el siguiente ejemplo.

Ejemplo 16

El número de llamadas telefónicas que se realizan diariamente entre las 7 y las 8am en una
empresa es una variable aleatoria con distribución Poisson con parámetros A,k = 8.

a. Encuentre la función de probabilidad conjunta .


b. Si se han producido en la semana 15 llamadas entre las 7 y las 8 de la mañana. Cuál es la
probabilidad de que en los tres primeros días se hayan producido cada día 2 llamadas,
4 llamadas en el cuarto día y 5 en el quinto día?
c. Si la probabilidad de que ocurra una llamada entre las 7y las 8 am los lunes y miércoles es de
0.4, los martes y los jueves 0.7 y los viernes de 0.4 . Encuentre la probabilidad que de 15
llamadas semanales 2 sean en cada uno de los 3 primeros días, 4 el jueves y 5 el viernes.

136
Solución:

Sea Xi = # de llamadas que se reciben en el día i


5
Z X¡
x
a. P R x i = x i PCXi=xI) =n =^ = 0,1,2,
x
=n

ni-l ( o
i=l i=l x,:

-40/on5
b. P(X, = 2,X 2 = 2,X 3 = 22, X 4 = 4 , X 5 =5) = — ^
J
= 6.35*10~9
(2!) *4!*5!

' 15 ^
c. P(X, = 2,X 2 = 2,X 3 = 22,X 4 =4, X 5 = 5) = *0.12 *0.7 2 *0.12 *0.7 4 *0.45
v 2 2 2 4 5y

15!
3
(O.l)4 0.76 0.45 =0.00372
(2!) 4! 5!

Ejemplo 17

Verificar sí son o no independientes, las variables del ejercicio 5.

Como f X Y (l, 1) = f x (1) f Y (1) 0.14 ^ 0.51 * 0.24 = 0.1224 por lo tanto X, Y no son
independientes.

Ejemplo 18

Un dispositivo electrónico está formado por 2 circuitos integrados. Para que el dispositivo funcione
exitosamente es necesario que cada uno de los circuitos funcione correctamente durante 2 minutos.
Los dos circuitos funcionan independientemente.

Sean:

X : El tiempo para fallar el primer circuito X ~ Ex (a)

Y : El tiempo para fallar el segundo circuito Y ~ Ex (f3)

La probabilidad de que el dispositivo funcione con éxito es:

P(X>2, Y>2)=e"2a c 2 p = e"2(a+(3)

137
Ejemplo 7 7

Verificar sí son o no independientes, las variables del ejercicio 14.

2 2x z + 2x z y— +2x
— +xy
-—
gXY (x,y) = x + y * g 2
x (x) g Y (y) : 2x H— X
3 6 3 6 9 9

x 2 + d y =
Siendo g Y ( y ) = J o "Y 3+f

Las variables no son independientes.

1. DISTRIBUCIÓN DE FUNCIONES DE VECTORES Y SUBVECTORES ALEATORIOS

En este aparte se continua el esquema del tratamiento univariado y luego el multivariado de


variables aleatorias aplicado a las funciones aleatorias.

DEFINICIÓN

Dadas X[ , X2 ,..., Xn sucesión de variables aleatorias (X) y siendo las funciones de variables
ileatorias (Y, , Y 2 ,...,Yk)=H(X)=Y. Entonces, Y es un vector aleatorio k-dimensional ó función
deatoria de k particiones de X, tal que

H(X)=Y:

( x 1 , x 2 , . . . x n ) = x ^ Y = H(X) = (H(x ( 1 ) ),H(x ( 2 ) ), ,H(x ( k ) )) = (Y 1 ,Y 2 > Yk) = Y

donde x (1) , x ( 2 ) , ,x ( k ) son valores de las particiones X (1) ,X (2) , ,X (k) tal que

X (i) : Q por tanto Y j, Y 2 , Yk son subvectores aleatorios.

Ejemplo 20

Sea un vector aleatorio n-dimensional tal que:

a. X (1) = X tal que H(X (1) ) = máx (X)

X ( 2 ) = X tal que H(X ( 2 ) ) = min (X)

X (3) = X tal que H(X (3) ) = rango (X)

138
b. X ( 1 ) = ( X 1 ; X 2 , X n ,)talqueH(X ( 1 ) ) = I X¡
i=l

X(2) = ( X 1 , X 2 , X n J t a l q u e H ( X ( 2 ) ) = £ X,
i=l

X ( 3 ) = (X,, X 2 , X n ) tal que H(X ( 3 ) ) = ¿ X2


i=l

Ejemplo 21

Al lanzar un dado dos veces, se consideran las variables aleatorias:

X¡: Resultado del lanzamiento i, i= 1, 2

Un jugador gana dos puntos si sale en un lanzamiento el resultado 5 o el 6, de otra manera pierde
un punto. El resultado de los lanzamientos del dado puede ser par o impar, Y p y los puntos ganados al
tener en cuenta los dos lanzamientos, Y . Las anteriores características se pueden expresar como
funciones aleatorias de X¡ tal que:

X = (X1,X2):Q^^2 Y=[Hi(X),H2(X)] >ki donde

(w1,w2)^-(x1,x2) -> (y 1 ; y 2 )
(1,1) ->(1,1) (1,-2)

0 si (x, + x 2 ) es impar [
1 si(x,+x2)espar

- 2 si (x, + x2) £ {(x, + x2) / x, * 5 ó 6, x2 * 5 ó 6}


Y2 = +1 si (x, + x2) e {(x, + x 2 ) / x, = 5 ó 6, x2 = 5 ó 6, x, # x2
+ 4 si (x, + x2) e {(x, + ;c2) / x, = x2 = 5 ó 6 }

Ejemplo 22

Sea un vector aleatorio unidimensional X, entonces

H(X) = Y : n3

x ^ - ( x , x 2 , x 3 ) = (y!,y 2 ,y 3 )

139
4.1 Función de Probabilidad Conjunta de Funciones de Variables
Aleatorias

Sea H(X) una función aleatoria discreta. La función conjunta de probabilidad de H(X) esta dada por:

f H ( x ) ( H ( x ) ) = f x ( y ) = P(Y! = y l f Y 2 = y 2 > Yk = y k ) =

= P(X (1) = H"1 ( Yl ), X (2) = H"1 (y 2 ), X ( k ) = H"1 (y, ) )

donde H _1 (y¡) son valores del espacio medible de X

4.2 Función de Probabilidad Marginal de una Función de Variables


Aleatorias

A partir de la función de probabilidad conjunta f H ( X ) (H(x)) = f Y (y) se define la función de


probabilidad marginal de una función de variables aleatorias a

f
HCx(1))(H^(I)» = f
Yi(yi)=S £ f Y (y)
Vy 2 Vy k

Ejemplo 23

A partir del ejercicio 21, la función de probabilidad conjunta se construye así:

H(X) = H ( X „ X 2 ) : 9 í 2
P(YI= YI, Y2= y2)=fYiY2(yi, y?)
( l , l ) - > (1,-2)->1/36 Y2
Yi -2 1 4 fvi

(4.5)-> (0,1)->1/36 0 8/36 8/36 2/36 1/2


1 8/36 8/36 2/36 1/2
FY2 4/9 4/9 1/9 1.0
(6.6)->(1,4)->1/36

Obsérvese que como en el caso univariado, las funciones de probabilidad marginales de H(X n ) )
y H(X<2') son los valores que aparecen en la última fila y columna respectivamente.
Ejemplo77

Sea el vector aleatorio X tal que: H(X): R 5 -> R 3 H( (0)


- > R3
(x1,x2,x3,x4,x5) (x(1),x(2),x(3)) > (Y p Y2, Y3)

X(1) = ( X b X2), X(2) = X3> X (3) = (X4, X5), entonces:

- H(X(1)) = Y 1 =(X 1 +X 2 , Xl - X2): R -> R2


- H(X(2)) = Y2= X33 : R R
- H(X<3>) = Y3=( e x 4 + x 5 , X 4 , X5): R 2 R3

TEOREMA 1

Sea X un vector aleatorio n-dimensional continuo con función de densidad g x (x) y sea
Y=H(X) : R n - » R n tal que:

- H(X) tiene inversa, es decir H"1 (X) = x

- Las derivadas parciales de H(X) son continuas

- Existe J = 5 H
^, tal que para J^Q entonces g H ( x ) (H(x)) = g x (H~* (x)) | j| 1
es la función
H(X)
de densidad de H(X).

NOTA 1. Sea una función de un vector aleatorio H(X) = (H(X(1)), H(X(1))). La función de
densidad marginal de H(X(1)) dada H(X(2)) se escribe como:

iMi..(1)W/TI,„(2K_ gHCX)(H(x))
S (H(x )
H(X<2))

NOTA 2. Se desea encontrar la Función de Distribución de Y_= H (X) = (Y! , Y 2 ,..., Yk) •

Si la función de densidad conjunta de X es conocida, entonces es posible encontrar la conjunta


de Y, con base en el teorema anterior, y de ahí determinar la función de distribución la cual satisface:

Fy(y) = P ( Y 1 < y 1 , Y 2 < y 2 , ,Yk<yk)


e
= P(H1(X)<y1;H2(X)<y2;...,Hk(X)<yk) Yi^-Yk &

FH (x) (H(x)) = (_y¿ g H ( X ) (H(x))dH(x)

141
Ejemplo77

Sea el vector aleatorio continuo X=(X b X2, X3), con función de densidad

gx(x) = e" Z '=i Xl


Xl>0 i = 1,2,3

Si H(X) = Y = (Yj , Y 2 , Y 3 ) tal que

H ( X ^ ) = Yj = X j + X 2 + X 3 , H(X (2) ) = Y 2 = X 2 , H(X (3) ) = Y 3 = X 3 entonces

H" 1 (X) = (H~ 1 (X ( 1 ) ),H" 1 (X ( 2 ) ),H" 1 (X ( 3 ) ) equivalente a

Y 1 = X 1 + X 2 + X 3 de donde Xj = Y j - ( X 2 + X 3 ) = Y t - ( Y 2 + Y 3 )

Y2 = x 2 ó X 2 =Y 2

Y3 = x 3 ó x 3 = Y3

ax. OX, ex.


SY, 5Y2 5Y3
i -i -i
5H"'(X) 0X 2 dX2 SX2 :
M= SH(X) 0 + 1 0 1 . Por tanto, la función de
OY, dY2 5Y3
0 0 + 1
CX3 dX3 ax3
oY, 8Y2 5Y3

densidad de H(X) es

j e'yi {(yi, y2vy3 ) / (yi - (y 2 +ys ) > o, y2 > o, ys > o í


8H(X) ( H ( X ) ) =
en otro caso

y la función marginal de H(X"') es:

g H e a) ) (HQC ( 1 ) )) = {0yi í f " y 2 e " yi dy 3 dy 2 = I y ? e"» y, > 0

DEFINICION

Sea X un vector aleatorio y (X ( 1 > ,X ( 2 \...,X ( k ) ) k particiones de X, tales particiones son

independientes si [(X^1')]" son clases independientes.

142