Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes de Probabilidad
impartido por Leandro Pardo Llorente
13 de febrero de 2013
Tengo el pe muy pequeño.
Bueno, pues aquí de nuevo con la intención de pasar apuntes a LATEX. Vamos a ver qué
tal funciona esto.
Los apuntes del curso 2012–2013 en un principio son copiados de los apuntes de Adolfo
a mano. Y si alguien se ofrece a enviarme los ejercicios pasados a LATEX los incluiré sin
problemas. También agradecer a los de informática por su gran colaboración (gran parte
del principio es suya). También dar las gracias a Mario L. por su colaboración con los
errores e ideas.
Cualquier recomendación/crítica/ayuda será bien recibida.
3 de octubre de 2012
Manuel
ii
Índice general
2 Probabilidad 11
2.1 Definición axiomática de probabilidad . . . . . . . . . . . . . . . . . . . . . 11
2.2 Espacio probabilístico discreto. Análisis combinatorio . . . . . . . . . . . . 15
2.2.1 Breve repaso de combinatoria . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Probabilidad condicionada e independencia de sucesos . . . . . . . . . . . 18
2.3.1 Teorema de la Probabilidad Total . . . . . . . . . . . . . . . . . . . 19
2.3.2 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 Independencia de sucesos . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Funciones de distribución en R . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Concepto de función de distribución en R . . . . . . . . . . . . . . 22
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
iii
Índice g e n e r a l
Historial 119
iv
1 Introducción al cálculo de probabilidades
Ejemplos.
‚ Lanzamiento de un dado,
‚ consumo de agua diario en una ciudad o
‚ tiempo que tarda un alumno desde su casa a la facultad.
Ejemplos.
‚ Lanzamiento de una moneda al aire. El espacio muestral es cara (C) o cruz (X), por
lo que Ω “ tC, Xu.
‚ Lanzamiento de dos monedas al aire. Si las monedas son distinguibles se tiene que el
espacio muestral es Ω “ tCC, CX, XC, XXu. Pero si las monedas son indistinguibles
Ω “ tCC, CX, XXu.
1
1 Intro du c c i ó n a l c á l c u l o d e p ro b a b i l i da d e s
Definición 1.4 (Límite inferior y superior). Sea tAn unPN una sucesión de subconjuntos
de un espacio muestral Ω. Se define el límite superior e inferior de tAn u mediante
∞ ˆ [
\ ∞ ˙
lim An ” lim sup An “ Am (1.1)
n nÑ∞ n“1 m“n
∞ ˆ \
[ ∞ ˙
lim An ” lim inf An “ Am (1.2)
n nÑ∞
n“1 m“n
Proposición 1.5. Sea tAn unPN una sucesión de subconjuntos de Ω. Entonces se tiene que
Demostración.
T `S ∞ ˘ S
a) ω P lim supn An ðñ ω P ∞ n“1 m“n Am ðñ @n P N ω P ∞ m“n Am ðñ
@n P N D m ě n, ω P Am ðñ ω pertenece a infinitos An .
S `T ∞ ˘ T
b) ω P lim infn An ðñ ω P ∞ n“1 m“n Am ðñ D m, ω P ∞ m“n Am ðñ
D m, ω P Am @m ě n ðñ ω pertenece a todos los An salvo quizá a un número
finito.
Proposición 1.6.
lim inf An ⊂ lim sup An . (1.3)
n n
2
1.3 Ál g e b r a s y σ-á l g e b r a s
Definición 1.7 (Sucesiones de subconjuntos convergente). Sea tAn unPN una sucesión de
subconjuntos de Ω. Se dice que tAn u es convergente si y sólo si
(
Ejemplo. Sea tAn unPN , An “ x P R | x ă n1 . Entonces lim supnÑ∞ An “ p´∞, 0q y
lim infnÑ∞ An “ p´∞, 0q. Por lo tanto la sucesión converge y
Proposición 1.9. Sea tAn unPN una sucesión monótona de subconjuntos de Ω, entonces:
S∞
a) tAn unPN Ò siempre es convergente y se tiene que limnPN An “ n“1 An ,
T∞
b) tAn unPN Ó siempre es convergente y se tiene que limnPN An “ n“1 An .
Demostración.
∞ T `S ∞ ˘ S∞
a) Como An ⊂ An`1 para todo n entonces lim sup
˘ n ASn∞“ n“1 m“n Am “ m“1 Am .
S ∞ `T ∞
Y por otra parte lim infn An “ n“1 m“n Am “ n“1 An .
T∞
b) Como An ⊃ An`1 `para todo˘ n entonces lim supn An “ m“1 Am . Y por otro lado
S T∞ T∞
lim infn An “ ∞n“1 m“n Am “ n“1 An .
a) @A P A, AA P A, y
Sn
b) @A1 , . . . , An P A, i“1 Ai P A.
A B A B A B A B
Ω Ω Ω Ω
A A A A A
A∩B “ AKB A ∪ B “ pA ∩ B q A “ Ā “ Ω K A A K B “ A ∩ BA
3
1 Intro du c c i ó n a l c á l c u l o d e p ro b a b i l i da d e s
a) @A P A, AA P A, y
S∞
b’) @A1 , . . . , An , . . . P A, i“1 Ai P A (unión numerable).
Observación. Todo σ-álgebra es una álgebra. Por un lado la propiedad (a) es la misma y
por otro lado (b’) implica (b) sin más que considerar An`1 “ An`2 “ . . . “ A1 ya que se
S Sn
tendría ∞ n“1 An “ i“1 Ai P A.
1.3.1 Propiedades
4
1.3 Ál g e b r a s y σ-á l g e b r a s
Proposición 1.16.
5
1 Intro du c c i ó n a l c á l c u l o d e p ro b a b i l i da d e s
Ejemplo.
3. ra, bq P BpRq,
4. ra, bs P BpRq,
5. tau “ ra, as P BpRq,
S∞
6. Q P BpRq por ser numerable ( n“1 qn P BpRq),
7. I “ R K Q “ QA P BpRq.
Aunque hay que tener en cuenta que hay conjuntos en R que no pertenecen a BpRq.
b) Se puede comprobar que BpRq se puede también engendrar mediante
i) la clase de todos los subconjuntos cerrados de R,
ii) la clase de todos los intervalos de la forma p´∞, bs, y
iii) la clase de todos los intervalos de la forma pa, bs.
6
1.4 E j e rc i c i o s
1.4 Ejercicios
Hoja 0
3.- Se eligen cinco bolas entre diez disponibles, siendo ordenadas en cinco cajas.
Determinar de cuántas maneras distintas pueden colocarse.
5.- Se dispone de dos mesas para tres y seis personas. Calcular de cuántas
formas pueden distribuirse nueve invitados.
Pn ¡n¢
6.- Demostrar la identidad 2n = i=0 i .
7.- Calcular de cuántas formas pueden ordenarse las letras de la palabra ’catarata’.
8.- Calcular cuántas señales diferentes, cada una de seis banderas colocadas
en una lı́nea vertical, pueden formarse con cuatro banderas rojas idénticas y dos
banderas azules idénticas.
10.- Calcular cómo pueden distribuirse nueve juguetes entre cuatro niños cuando
el menor de éstos recibe tres juguetes y cada uno de los restantes recibe dos
juguetes.
7
1 Intro du c c i ó n a l c á l c u l o d e p ro b a b i l i da d e s
11.- Con las vocales ’a, e, i, o, u’ y las consonantes ’b, c, d, f’, calcular el
número de palabras de nueve letras distintas que pueden formarse. Calcular
este número cuando no hay vocales juntas.
12.- Se rellena un test de doce items, donde las respuestas son ’verdadero’
y ’falso’. Se ha decidido contestar a seis items de forma aleatoria. Determinar
el número de formas en que puede hacerse.
13.- Calcular cuántos números naturales de cuatro cifras hay con todas las
cifras diferentes.
14.- Calcular cuántos números de tres cifras pueden formarse con los dı́gitos
’1, 3, 5, 7 y 9’. Calcular cuánto suman todos ellos.
18.- Para transmitir señales desde una isla a la costa, se dispone de 6 luces
blancas y 6 luces rojas colocadas en el vértice de un hexágono. En cada vértice
no puede haber encendida más que una luz (blanca o roja) y el número mı́nimo
de luces encendidas es tres. Determinar cuántas señales se pueden realizar.
8
1.4 E j e rc i c i o s
Hoja 1 – Introducción al
Cálculo de Probabilidades
(1.c) Demostrar que lim sup An = lim sup A2n ∪ lim sup A2n−1 y lim inf An =
lim inf A2n ∩ lim inf A2n−1 .
(1.d) Demostrar que lim sup(B − An ) = B − lim inf An y lim inf(B − An ) =
B − lim sup An .
c c
(1.e) Demostrar que (lim sup An ) = lim inf Acn y (lim inf An ) = lim sup Acn .
(1.f ) Demostrar que lim sup(An ∪ Bn ) = lim sup An ∪ lim sup Bn y lim inf(An ∩
Bn ) = lim inf An ∩ lim inf Bn .
2.- Determinar los lı́mites inferiores y superiores de {An : n ≥ 1} cuando:
h i ¡ ¤
(2.a) A2n−1 = QI ∩ n1 , 2n+2
5n
y A2n = (IR − Q I ) ∩ − n2 , 7n+3
9n .
³ i ³ ´ h ´
n−1 2n−1 3n 2n2 +1
(2.b) A3n−2 = 5n+3 , n , A3n−1 = 5n+1 , 3n+2
n y A 3n = 1, n+2 .
© ± ª
(2.c) An = x ∈ IR n1 ≤ x ≤ 3 − 1
n .
9
1 Intro du c c i ó n a l c á l c u l o d e p ro b a b i l i da d e s
10
2 Probabilidad
a) PpΩq “ 1, que
b) dados A1 , . . . , An , . . . P A disjuntos dos a dos y con n “ 1, . . . , ∞, se verifica que
ˆ ∞ ˙ ∞
[
P An “ ∑ PpAn q, (σ-aditividad)
n“1 n“1
∞
[
(nótese que la definición es válida si A es álgebra si se impone que An P A),
n“1
c) y PpAq ě 0 @A P A.
a) Pp∅q “ 0.
´[ ∞ ¯ ∞
Demostración. Pp∅q “ P
n“1
∅ “ ∑ Pp∅q ðñ Pp∅q “ 0.
n“1
´[ n ¯ n
b) Sean A1 , . . . , An P A pAi ∩ A j “ ∅ @i ‰ jq, entonces P
i“1
Ai “ ∑ PpAi q.
i“1
Demostración.
#
Aj 1ďjďn
Sea Bj “
∅ năj
entonces, de esta manera,
ˆn ˙ ˆˆ n ˙ ˆ ∞ ˙˙ ˆ∞ ˙
[ [ [ [
P Ai “ P Ai ∪ ∅ “P Bj
i“1 i“1 i“n`1 j“1
∞ n ∞ n
“ ∑ PpBj q “ ∑ PpBj q ` ∑ PpBj q “ ∑ PpA j q
j“1 j“1 j“n`1 j“1
looooomooooon
0
11
2 Proba b i l i da d
g) Sean A1 , . . . , An P A, entonces:
ˆ n ˙ n
[
P Ai “ ∑ PpAi q ´ ∑ PpAi ∩ A j q ` ∑ PpAi ∩ A j ∩ Ak q ` ¨ ¨ ¨
i“1 i“1 iăj iăjăk ˆ ˙
n
\
n`1
` p´1q P Ai
i“1
12
2.1 D e f i n i c i ó n a x i o m át i c a d e p ro b a b i l i da d
n´1 ˆ n ˙
\
´ ∑ PpAi ∩ A j ∩ An q ` ¨ ¨ ¨ ` p´1q n
P pAi ∩ A j q
iăj i“1
n n ˆ n ˙
\
“ ∑ PpAi q ´ ∑ PpAi ∩ A j q ` ¨ ¨ ¨ ` p´1q n`1
P Ai
i“1 iăj i“1
Demostración.
a) Sea tAn unPN Ó, entonces si limnÑ∞ An “ ∅ esto implica que limnÑ∞ PpAn q “ 0.
Demostración. limnÑ∞ PpAn q “ PplimnÑ∞ An q “ Pp∅q “ 0.
13
2 Proba b i l i da d
´[ ∞ ¯ ∞
b) Sea tAn unPN con An P A @n, entonces P
n“1
An ď ∑ PpAn q.
n“1
Sn
Demostración. Sea tBn unPN definido como Bn “ i“1 Ai @n ě 1. Con lo que
S S∞
tBn unPN Ò y ∞n“1 Bn “ n“1 An . De esta manera
ˆ ∞ ˙ ˆ ∞ ˙ ˆ n ˙
[ [ [
P An “P Bn “ Pp lim Bn q “ lim PpBn q “ lim P Ai
nÑ∞ nÑ∞ nÑ∞
n“1 n“1 i“1
n ∞
ď lim
nÑ∞
∑ PpAi q “ ∑ PpAn q.
i“1 n“1
´\ ∞ ¯ ∞
c) Sea tAn unPN con An P A @n, entonces P
n“1
An ě 1 ´ ∑ PpAAn q.
n“1
Demostración.
ˆ∞ ˙ ˆˆ ∞ ˙A ˙
\ \
P An “ PpAq “ 1 ´ PpA q “ 1 ´ P
A
An
n“1 n“1
ˆ ∞ ˙ ∞
[
“ 1´P AAn ě 1´ ∑ PpAAn q.
n“1 n“1
Demostración. Como ∑∞ n“1 PpAn q ă ∞,Sse desprende que para todo ε ą 0 existe un
nε P N, ∑n“nε PpAn q ă ε. Sea Bn “ ∞
∞
m“n Am , con lo que tBn uÓ. Ahora con todo
esto:
ˆ∞ˆ ∞ ˙˙ ˆ∞ ˙
\ \ \ ` ˘
Pplim sup An q “ P An “P Bn “ P lim Bn “ lim PpBn q
nÑ∞ nÑ∞ nÑ∞
n“1 m“n n“1
ˆ ∞ ˙ ∞
[
“ lim P
nÑ∞
Am ď lim
nÑ∞
∑ PpAm q ă ε @ε ą 0.
m“n m“n
Proposición 2.5. Se considera el espacio de probabilidad pΩ, A, Pq. Dada una sucesión
tAn unPN con An P A @n se tiene que
` ˘ ` ˘
Pplim inf An q ď lim inf PpAm q ď lim sup PpAm q ď Pplim sup An q.
nÑ∞ nÑ∞ měn nÑ∞ měn nÑ∞
14
2.2 E s pac i o p ro b a bi l í s t i c o d i s c r e t o. A ná l i s i s c o m b i nat o r i o
Demostración. Procedamos a las dos desigualdades que hay que demostrar por separado
(la del medio es trivial).
(Primera desigualdad)
ˆ ∞ ˆ ∞ ˙˙ ˆ ˆ ∞ ˙˙ ˆ ∞ ˙
[ \ \ \
Pplim inf An q “ P Am “ P lim Am “ lim P Am ,
nÑ∞ nÑ∞ nÑ∞
n“1 m“n m“n m“n
T∞ T∞
y como m“n Am ⊂ Am @m ě n, entonces se tiene que Pp m“n Am q ď PpAm q @m ě n
y por lo tanto
ˆ ∞ ˙ ˆ ∞ ˆ ∞ ˙˙ ˆ ˙
\ [ \
P Am ď inf PpAm q ùñ P Am “ lim inf An ď lim inf PpAm q .
měn nÑ∞ nÑ∞ měn
m“n n“1 m“n
Corolario 2.6. Dado el espacio de probabilidad pΩ, A, Pq y la sucesión tAn unPN con
An P A, si existe el limnÑ∞ An “ A, entonces
Demostración. A “ lim An “ lim inf An “ lim sup An y por lo tanto se dan las igualdades
nÑ∞ nÑ∞ nÑ∞
en la proposición anterior.
∑ Pi “ 1,
iPI
y la función P : A Ñ r0, 1s
A ÞÑ PpAq “ ∑ Pptai uq “ ∑ Pi
ai PA ai PA
15
2 Proba b i l i da d
CardpAq
PpAq “ ∑ Pptaij uq “ n
. (2.2)
aij PA
también expresada como número de casos favorables dividido por casos posibles,
conocida como Regla de Laplace.
CardpA1 ˆ A2 ˆ ¨ ¨ ¨ ˆ Ar q “ n1 ¨ n2 ¨ ¨ ¨ nr .
Solución. Como hay solamente 2 posibilidades para el sexo, hombre o mujer, y suponemos
también solo 2 para el estado civil: casado o soltero. De esta manera tenemos en total
2 ¨ 2 ¨ 10 “ 40 clases diferentes. đ
Ejemplo (Colocación de bolas en urnas). ¿De cuántas formas se pueden colocar r bolas
distintas en n urnas?
Solución. Ai “ turnas a las que puede ir la bola iu, CardpAi q “ n. Las distintas formas
n ¨ n ¨ ¨ ¨ n “ nr .
son loooooooooon đ
r
Solución. Ai “ tdías en los que la persona i puede cumplir añosu, CardpAi q “ 366. Por
lo tanto, el total de configuraciones es 366r . đ
16
2.2 E s pac i o p ro b a bi l í s t i c o d i s c r e t o. A ná l i s i s c o m b i nat o r i o
Variaciones
Vn,k “ n ¨ pn ´ 1q ¨ ¨ ¨ pn ´ pk ´ 1qq.
Permutaciones
Pn “ Vn,n “ n ¨ pn ´ 1q ¨ ¨ ¨ 2 ¨ 1 “ n!.
Combinaciones
17
2 Proba b i l i da d
Estas combinaciones son: ta, b, cu, ta, b, du, ta, c, du, tb, c, du. Y podemos observar que
PpB ∩ Aq
PpB | Aq ” @B P A. (2.3)
PpAq
PpA ∩ Aq
PA pAq “ PpA | Aq “ “ 1.
PpAq
18
2.3 Pro b a b i l i da d c o n d i c i o na da e i n d e p e n d e n c i a d e s u c e s o s
Observaciones.
a) La probabilidad condicionada a veces es útil para calcular la probabilidad de la
intersección de dos sucesos:
PpA ∩ Bq
PpB | Aq “ ùñ PpA ∩ Bq “ PpAq ¨ PpB | Aq.
PpAq
Ejemplo. En una población con 50000 personas hay 10000 que trabajan por cuenta propia
y 20000 que trabajan por cuenta ajena. A una hora determinada se abre una ventanilla en
una de las secciones del ayuntamiento. Calcular la probabilidad de que las dos primeras
personas trabajen por cuenta propia y la tercera lo haga por cuenta ajena.
Solución. A1 ” primera persona trabaja por cuenta propia, A2 ” segunda persona trabaja
por cuenta propia, A3 ” tercera persona trabaja por cuenta ajena. Entonces
10000 9999 20000
PpA1 ∩ A2 ∩ A3 q “ PpA1 q ¨ PpA2 | A1 q ¨ PpA3 | A1 ∩ A2 q “ ¨ ¨ . đ
50000 49999 49998
19
2 Proba b i l i da d
S S
Demostración. Como B “ B ∩ Ω “ B ∩ p iPI Ai q “ iPI pB ∩ Ai q, entonces
´[ ¯ PpB ∩ Ai q
PpBq “ P pB ∩ Ai q “ ∑ PpB ∩ Ai q “ ∑ ¨ PpAi q “ ∑ PpAi q ¨ PpB | Ai q
iPI iPI iPI
PpAi q iPI
PpAi qą0 PpAi qą0
Ejemplo. Una compañía financiera para la venta de automóviles a plazos opera en tres
grandes regiones de un país: A, B y C. El 50 % de las operaciones las realiza en la región
A, el 40 % en B y el 10 % en C. Se ha estimado por larga experiencia el tanto por ciento
de los clientes que no efectúan el pago de las letras en cada una de las regiones. Para A
es el 1 %, para B el 2 % y para C el 8 %. Determinar el tanto por ciento de los clientes de
la compañía que pagan las letras de la operación.
PpB | A j q ¨ PpA j q
PpA j | Bq “ . (2.5)
∑ PpB | Ai q ¨ PpAi q
iPI
Demostración.
PpA j ∩ Bq PpB | A j q ¨ PpA j q PpB | A j q ¨ PpA j q
PpA j | Bq “ “ “ .
PpBq PpBq ∑ PpB | Ai q ¨ PpAi q
iPI
PpAi qą0
20
2.3 Pro b a b i l i da d c o n d i c i o na da e i n d e p e n d e n c i a d e s u c e s o s
12
segundo dado es un 5 ó un 6, PpBq “ 36 “ 13 . Entonces PpA ∩ Bq “ 6
36 “ 1
6 y por lo tanto:
PpA ∩ Bq 1 3 1
PpA | Bq “ “ ¨ “ “ PpAq.
PpBq 6 1 2
Y esto ocurre dado que A y B son sucesos independientes.
Definición 2.12 (Independencia de sucesos). Sea el espacio de probabilidad pΩ, A, Pq,
A, B P A. Se dice que A y B son dos sucesos independientes si se verifica
PpA ∩ Bq “ PpAq ¨ PpBq. (2.6)
Observaciones.
a) Este concepto sigue siendo válido cuando PpAq o PpBq son cero. De hecho, PpAq “
0 ùñ A es independiente de B, @B P A con PpBq ą 0.
Demostración. PpA ∩ Bq ď PpAq “ 0 ùñ PpA ∩ Bq “ 0 “ PpAq ¨ PpBq.
b) PpAq ą 0 ùñ A es independiente de ∅, Ω.
Demostración. PpA ∩ ∅q “ Pp∅q “ 0 “ PpAq ¨ Pp∅q. En cuanto a Ω, se tiene que
PpA ∩ Ωq “ PpAq “ 1 ¨ PpAq “ PpAq ¨ PpΩq.
c) A y B son independientes ðñ PpA | Bq “ PpAq.
PpA∩ Bq
Demostración. ( ùñ ) PpA | Bq “ PpBq “ PpAq.
PpA∩ Bq
( ñù ) PpA | Bq “ PpBq “ PpAq ùñ PpA ∩ Bq “ PpAq ¨ PpBq.
d) A y B son independientes ùñ A y BA , AA y B, AA y BA son independientes.
Demostración. Basta probarlo en un caso, el resto se obtiene renombrando los con-
juntos. Vamos a probar que si A y B son independientes, entonces A y BA son
independientes:
PpA ∩ BA q “ PpA K Bq “ PpA K pA ∩ Bqq
“ PpAq ´ PpA ∩ Bq “ PpAq ´ PpAq ¨ PpBq
“ PpAq ¨ p1 ´ PpBqq “ PpAq ¨ PpBA q
21
2 Proba b i l i da d
FP : R Ñ r0, 1s
x ÞÑ FP pxq “ Ppp´∞, xsq.
a) FP es monótona creciente.
Demostración. x1 , x2 P R de manera que x1 ă x2 , entonces se tiene la desigualdad
FP px1 q “ Ppp´∞, x1 sq ď Ppp´∞, x1 sq ` Pppx1 , x2 sq “ Ppp´∞, x2 sq “ FP px2 q.
b) FP p`∞q “ limxÒ∞ FP pxq “ 1.
Demostración.
22
2 .4 Fu n c i o n e s d e d i s t r i b u c i ó n e n R
lim FP px ` hq “ FP pxq @x P R.
hÑ0`
Definición 2.17. Una función F : R Ñ r0, 1s es una función de distribución si verifica que
a) F es monótona creciente,
b) Fp`∞q “ limxÒ∞ Fpxq “ 1 & Fp´∞q “ limxÓ´∞ Fpxq “ 0, y
c) F es continua por la derecha.
Teorema 2.18. Dada F : R Ñ r0, 1s verificando los puntos (a), (b) y (c) de la definición
anterior, D! P definida sobre pR, BpRqq de tal forma que FP “ F.
Proposición 2.19. Sea pR, BpRq, Pq un espacio de probabilidad y sea FP la función de
distribución asociada a P. Entonces:
a) Pppa, bsq “ FP pbq ´ FP paq,
b) Ppb´ q “ Ppp´∞, bqq, y
c) Pptbuq “ FP pbq ´ FP pb´ q, que es igual a 0 cuando FP es continua.
Demostración.
a) Como pa, bs “ p´∞, bs ∩ pa, `∞q “ p´∞, bs ∩ p´∞, asA , entonces
23
2 Proba b i l i da d
24
2.5 E j e rc i c i o s
2.5 Ejercicios
Hoja 2 – Probabilidad
AA = {B ⊂ Ω : B = A ∩ C con C ∈ A}.
25
2 Proba b i l i da d
C = {A ∪ INi : A ⊂ INp }.
14.- Se tiene un manojo de N llaves donde sólo una de ellas abre una puerta.
Suponiendo que cada llave probada es retirada del manojo, determinar la proba-
bilidad de que la puerta se abra en el k-ésimo intento. (Nota: todas las llaves
deben ser probadas, por lo que es necesario hacer N intentos.) Determinar la
probabilidad de este suceso cuando las llaves no se retiran del manojo.
15.- En una urna se introducen n bolas, cada una de ellas de color blanco
o negro con igual probabilidad. Se extraen k bolas con reemplazamiento desde
26
2.5 E j e rc i c i o s
17.- De una urna con a bolas blancas y b bolas negras se extraen k bolas
al azar. ¿Cuál es la probabilidad de que entre las k bolas haya exáctamente r
bolas blancas?
22.- Una urna contiene 5 bolas negras y 4 blancas, otra urna contiene 4 bo-
las negras y 5 blancas. Supongamos que se trasladan 2 bolas de la primera a la
segunda urna y, a continuación se extrae una bola de la segunda urna. ¿Cuál
es la probabilidad de que la bola extraı́da sea blanca?
23.- Se sabe que al lanzar cinco monedas aperecieron al menos dos caras. ¿Cuál
es la probabildad de que el número de caras exacto fuese tres?
27
2 Proba b i l i da d
(24.b) Sabiendo que en los dos primeros lanzamientos hemos observado dos
caras rojas, ¿cuál es la probabilidad de que el dado lanzado sea el A?
25.- Se lanzan dos monedas, si el resultado es CC se extraen dos bolas de una
urna U1 que contiene 3 bolas rojas, 2 blancas y 4 negras. Si el resultado es CX
se extraen de U2 que contiene 2 rojas, 1 blanca y 5 negras, y si sale XX o XC
las bolas se extraen de U3 que contiene 6 rojas, 4 blancas y 6 negras. Si las dos
bolas extraı́das resultaron ser una blanca y otra roja, ¿cuál es la probabilidad
de que sean de U1 ? ¿y de U2 ?
(27.b) Habiendo sido extraı́da una unidad defectuosa, haya sido producida en
la primera planta.
30.- De una baraja española (40 cartas) repartida en su totalidad entre 4 ju-
gadores, hallar la probabilidad de que haya como mı́nimo un jugador cuya mano
sean cartas todas del mismo palo.
28
2.5 E j e rc i c i o s
31.- Se tiene una moneda y una urna. Se lanza la moneda al aire. Si sale
cara, se introduce una bola negra en la urna; si sale cruz, la bola introducida
es de color blanco. El proceso se repite 10 veces. A continuación, se extrae una
bola de la urna, se mira su color y se devuelve a la urna. El procedimiento se
repite 10 veces. Finalizado éste se ha observado que las 10 bolas extraı́das eran
de color blanco. ¿Cuál es la probabilidad de que la urna contenga sólo bolas
blancas?
29
3 Variables aleatorias unidimensionales
X: Ω Ñ R #
1 ω“C
ω ÞÑ Xpωq “
0 ω“F
C2 “ tp´∞, asu, σpC2 q “ BpRq. Entonces
$ ,
’ ∅/
&a ă 0
’ /
.
X pp´∞, asq “ 0 ď a ă 1
´1
F PA
’
’ /
/
%a ě 1 Ω-
31
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Veamos si A “ t∅, Ω, ta, bu, tcu, tc, du, ta, b, cu, ta, b, du, tduu es álgebra sobre Ω.
$
’
’ ră0 ∅
’
’
&0 ď r ă 1 ta, bu
X ´1 pp´∞, rsq “
’
’ 1 ď r ă 2 ta, b, cu
’
’
%
rě2 Ω
Nota. Para ser variable aleatoria, la aplicación dada depende del álgebra en consideración.
Así en el último ejemplo si tomamos A “ t∅, Ω, ta, bu, tc, duu podemos observar que X
ya no es variable aleatoria ya que ta, b, cu R A.
Teorema 3.3. Sea X : pR, BpRqq Ñ pR, BpRqq continua, entonces X es variable aleatoria.
Teorema 3.4. Sean X : pΩ, Aq Ñ pR, BpRq e Y : pR, BpRqq Ñ pR, BpRqq dos variables
aleatorias, entonces Y ˝ X es una variable aleatoria.
X Y
pΩ, Aq pR, BpRqq pR, BpRqq (3.2)
Y˝X
Observación. Sea pΩ, Aq, X : Ω Ñ R con X una variable aleatoria. Entonces X 2 , ´X,
senpXq, |X|, ... son también variable aleatoria.
30/10/2012 Teorema 3.5. Sean X1 , ..., Xn , ... variables aleatorias, entonces estas funciones son también
variables aleatorias:
a) maxtX1 , X2 u,
Demostración.
b) mintX1 , X2 u,
Demostración. pmintX1 , X2 uqpωq “ mintX1 pωq, X2 pωqu “ ´ maxt´X1 pωq, ´X2 pωqu
lo que implica que mintX1 , X2 u “ ´ maxt´X1 , ´X2 u.
32
3.1 Va r i a b l e s a l e at o r i a s
c) suptXn u,
nPN
Demostración. psup Xn pωqq “ suppXn pωqq
nPN nPN
d) inf tXn u,
nPN
Demostración. p inf Xn qpωq “ inf Xn pωq ùñ inf Xn “ ´ supp´Xn q.
nPN nPN nPN nPN
e) lim sup Xn ,
nÑ∞
Demostración. plim sup Xn qpωq “ infpsup Xr pωqq P A
nÑ∞ n rěn
f) lim inf Xn ,
nÑ∞
Demostración. plim inf Xn qpωq “ suppinf Xr pωqq P A
nÑ∞ n rěn
g) y si existe el límite, el lim Xn .
n
Demostración. Por (e) y (f).
Teorema 3.6. Sean X1 , X2 : pΩ, A, Pq Ñ pR, BpRqq dos variables aleatorias. Entonces
X1 ` X2 y X1 ¨ X2 son variables aleatorias.
y entonces
y por lo tanto X1 ` X2 es una variable aleatoria. Y una vez probado para la suma, la
multiplicación viene implícita:
1 1
X1 ¨ X2 “ rX1 ` X2 s2 ´ rX1 ´ X2 s2 .
4 4
33
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Ejemplo. Supongamos que en una urna hay 4 bolas blancas y 3 negras. Se sacan al azar
3 bolas sin reemplazamiento y definimos la variable aleatoria X ” nº de bolas blancas
obtenidas
X 0 1 2 3
PX pX “ kq ˚ ˚ ˚ ˚
05/11/2012 Definición 3.8 (Variable discreta y función de probabilidad). Dada la variable aleatoria
X se dice que es de tipo discreto si su función de la distribución FX toma únicamente una
cantidad finita o numerable de valores distintos.
Además si los valores en los que toma los valores distintos son x1 , x2 , ..., xn , ... la
función definida mediante PpX “ xn q “ PX ptxn uq “ FX pxn q ´ FX pxn´ q se denomina función
de probabilidad de la variable aleatoria X.
34
3.1 Va r i a b l e s a l e at o r i a s
Ejemplo.
1
1.5 PpX “ 0q “ FX p0q ´ FX p0´ q “
4
1 1 1 1
PpX “ 1q “ FX p1q ´ FX p1´ q “ ´ “
0.5 2 4 4
1
PpX “ 2q “ FX p2q ´ FX p2 q “
´
2
´1 1 2 3
y la medida de probabilidad PX asocidada a una variable aleatoria X que toma los valores
txk u con probabilidades Pptxk uq. Además la función de distribución viene dada por
Zx
FX pxq “ f X ptq dt. (3.5)
´∞
Observaciones.
35
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Rb Ra Rb
a) Ppa ă X ď bq “ FX pbq ´ FX paq “ ´∞ f X ptq dt ´ ´∞ f X ptq dt a f X ptq dt y además
Ppa ă X ď bq “ Ppa ă X ă bq “ Ppa ď X ď bq.
Z
B P BpRq PX pBq “ f X ptq dt.
B
Definición 3.10 (Variable mixta). Una variable aleatoria X se dice que es de tipo mixto si
su función de distribución se puede expresar de la forma
Ahora definimos:
#
1´ p 0 xă0
Fd pxq “
1 xě0
#
´1 1 2 3 4
0 xă0
Fc pxq “
Figura 3.2: Representación gráfica 1´e ´λx xě0
X 2 3 4 5 6 7 8 9 10 11 12
PpX “ kq 1{36 2{36 3{36 4{36 5{36 6{36 5{36 4{36 3{36 2{36 1{36
36
3.1 Va r i a b l e s a l e at o r i a s
X g
pΩ, Aq pR, BpRqq pR, BpRqq
Y“gpXq
RY (soporte) son los puntos de probabilidad mayor que 0 y g´1 pyq “ tx P R | gpxq “ yu.
Demostración.
Demostración.
37
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Teorema 3.12. Sea X una variable aleatoria con función de densidad f X pxq y soporte en
el intervalo ra, bs. Sea g : R Ñ R estrictamente creciente y continua en ra, bs. Entonces
Y “ gpXq es variable aleatoria continua con función de distribución
y su función de densidad es
$
’
& 1
¨ f X pg´1 pyqq y P rgpaq, gpbqs
f Y pyq “ g 1 pg´1 pyqq
(3.9)
’
%0 resto.
Por lo tanto si cogemos y ă gpaq entonces g´1 pyq ă a y esto implica que FY pyq “
FX pg´1 pyqq “ 0 ùñ f Y pyq “ 0. Y, del mismo modo, al coger un y ą gpbq se tiene que
g´1 pyq ą b ùñ FY pyq “ FX pg´1 pyqq “ 0 ùñ f Y pyq “ 0. De manera que, efectivamente,
ésa es la función de densidad y RY “ rgpaq, gpbqs.
Observaciones.
a) En las condiciones del teorema anterior, si g es estrictamente decreciente, la función
de distribución viene dada por
38
3.2 C a r ac t e r í s t i c a s d e l a s va r i a b l e s a l e at o r i a s e s ta d í s t i c a s
´y ´ 1¯ ´1¯ 1 1
f Y pyq “ f X ¨ “ ¨ ` ˘ yPR
3 3 3π 1 ` y´1 2
3
Teorema 3.13. Sea X una variable aleatoria continua con función de densidad f X pxq y
sea g : R Ñ R continua y g1 pxq ‰ 0 salvo en un número finito de puntos. Supongamos
que para cada número real y
a) existen exactamente npyq puntos x1 pyq, x2 pyq, ..., xn pyq tales que gpxk pyqq “ y,
g1 pxk pyqq ‰ 0 k “ 1, . . . , npyq, o bien
b) no existe ningún punto x P R X tal que gpxq “ y y g1 pxq ‰ 0. En este caso npyq “ 0
entonces Y es una variable aleatoria continua cuya función de densidad es de la forma
$
’ npyq
’
&
hpyq “ k“1
∑ f pxk pyqq ¨ g1 pxk pyqq´1 si npyq ą 0
(3.10)
’
’
%0 si npyq “ 0
Ejemplo. Sea X una distribución de Cauchy, igual que en el ejemplo anterior, y en este
? ?
caso Y “ X 2 . Entonces dado y P R D x1 pyq “ y, D x2 pyq “ ´ y de tal forma que
39
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Observaciones.
i) Si R X “ tx1 , . . . , xn u, entonces ErXs siempre existe.
ii) Si R X “ tx1 , . . . , xn , . . .u entonces
∞
ErXs “ ∑ xn ¨ PX pX “ xn q.
n“1
Definición 3.16. Sea X una variable aleatoria cuya función de distribución es del tipo
mixto. Entonces se denomina ErXs a la expresión
Z
dFpxq
ErXs “ ∑ x ¨ PpX “ xq ` AA
x¨
dx
dx, (3.13)
xPA
40
3.2 C a r ac t e r í s t i c a s d e l a s va r i a b l e s a l e at o r i a s e s ta d í s t i c a s
Proposición 3.17. Sea X una variable aleatoria con función de distribución FX y sea
g : R Ñ R. La esperanza de Y “ gpXq viene dada por
ErYs “ ∑ gpxq ¨ PX pX “ xq (X discreta) (3.14)
xPR X
Z
ErYs “ gpxq ¨ f X pxq dx (X continua) (3.15)
RX
Demostración.
ErYs “ ∑ y ¨ PY pY “ yq “ ∑ y¨ ∑ PX pX “ xq
yPRY yPRY xPg´1 pyq
Análogo para el caso continuo, aunque la demostración para dicho caso requiere que sea
estrictamente creciente y continua.
Observaciones.
a) Se dice que X es degenerada en k si PpX “ kq “ 1 o, lo que es lo mismo, si la
esperanza es ErXs “ k ¨ PpX “ xq “ k.
b) Si a ď x ď b @x, entonces a ď ErXs ď b.
Demostración. Si @i “ 1, 2, . . . a ď xi ď b, entonces se tiene que a ¨ PpX “ xi q ď
xi ¨ PpX “ xi q ď b ¨ PpX “ xi q @i “ 1, 2, . . . y por lo tanto
∞ ∞ ∞
a ∑ PpX “ xi q ď ∑ xi ¨ PpX “ xi q ď b ∑ PpX “ xi q ùñ a ď ErXs ď b.
i“1 i“1 i“1
Definición 3.18 (Momento respecto del origen). Se denomina momento de orden k respecto
del origen (o centrado en el origen) a la esperanza de la variable aleatoria gpXq “ X k
$
’
’
& ∑ xk ¨ PpX “ xq si X es discreta
“ ‰ xPR X
αk “ E X k “ Z (3.16)
’
% x k ¨ f X pxq dx
’ si X es continua
RX
41
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Definición 3.19 (Mediana). Dada una variable aleatoria X la mediana de X se define como
el valor Md que verifica
1
FX pMd q “ PX pX ď Md q “ “ PpX ą Md q. (3.17)
2
Observación.
1
Para evitar esto último, se escoge como mediana el primer valor de la variable aleatoria
(en orden creciente) que satisface que FX pMd q ě 1{2.
Ejemplo. Nº de caras obtenidas al lanzar dos monedas al aire. Calcular la esperanza
y la mediana. Tenemos que PpX “ 0q “ 14 , PpX “ 1q “ 12 , PpX “ 2q “ 41 , así que
calculamos
$
’
’0 si x ă 0
’
’
&1{4 si 0 ď x ă 1
FX pxq “ PpX ď xq “
’
’3{4 si 1 ď x ă 2
’
’
%
1 si x ě 2
y con esto
1 1 1
ErXs “ 0 ¨ `1¨ `2¨ “ 1 & Md “ 1.
4 2 4
12/11/2012 Definición 3.20. Dada una variable aleatoria X la mediana Md es el valor que verifica
FX pMd´ q ď 1{2 y FX pMd q ě 1{2. (Al menos hay probabilidad 1{2 tanto en p´∞, Md q como
en rMd , ∞q).
Proposición 3.21. Si X es una variable aleatoria con distribución simétrica respecto del
valor c, entonces existe ErXs y su valor es igual a c.
42
3 .3 M e d i da s d e d i s p e r s i ó n d e u na va r i a b l e a l e at o r i a
Demostración.
Zc
FX pcq “ PpX ď cq “ f pxq dx y“x´c
Z0 ´∞ Z0 Zc Z∞
“ f py ` cq dy “ f pc ´ yq dy “ f pyq ¨ p´1q dy “ f pyq dy
´∞ ´∞ ´∞ c
1
“ PpX ě cq “ 1 ´ FX pc´ q ě 1 ´ FX pcq ùñ FX pcq ě
2
y por otro lado
1
FX pc´ q ď FX pcq “ 1 ´ FX pc´ q ùñ FX pc´ q ď
2
Definición 3.23 (Moda). Se denomida moda (Mo ) de una variable aleatoria X al valor de
la variable que hace máxima la función probabilidad en caso de ser X discreta y el valor
que hace máxima la función de densidad en caso de ser X continua.
Ejemplo.
#
1 x P p0, 1q
1 X ” Vp0, 1q f X pxq “
0 resto
En este caso todos los valores entre p0, 1q son Mo .
0 1
43
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
“ ‰
Definición 3.24 (Varianza). Sea X una variable aleatoria, con E X 2 ă ∞. Se denomina
varianza de la variable aleatoria X a la expresión
“ ‰
σ2 “ VarrXs “ E pX ´ ErXsq2 . (3.18)
a) VarrXs “ 0 ðñ D c P R, PX pX “ cq “ 1.
Demostración.
“ 2‰ ( ñù ) Por hipótesis ErXs “ c ¨ PX pX “ cq “ c y de esta manera
E X “ c ¨ PX pX “ cq “ c2 . Ahora, por la propia definición de varianza VarrXs “
2
“ ‰
E X 2 ´ ErXs2 “ c2 ´ c2 “ 0.
( ùñ ) Y por otra parte
0“ ∑ px ´ ErXsq2 ¨ PX pX “ cq ùñ x “ ErXs,
xPR X
44
3 .3 M e d i da s d e d i s p e r s i ó n d e u na va r i a b l e a l e at o r i a
Demostración.
„ n ˆ ˙
“ ‰ n
αn “ ErX s “ E ppX ´ µq ` µqn “ E
n
∑ k ¨ px ´ µq ¨ µ
k n´k
k“0
n ˆ ˙
n “ ‰
“∑ ¨ µn´k ¨ E px ´ µqk
k“0
k
y por otro lado
„ n ˆ ˙ n ˆ ˙
n´k n n´k n
“ ‰
µn “ Erpx ´ µq s “ E ∑ p´1q
n k n´k
x µ “ ∑ p´1q µn´k E x k
k“0
k k“0
k
Teorema 3.30 (Desigualdad de Tchebysheff). Sea X una variable aleatoria con ErXs ă ∞
y VarrXs ă ∞. Entonces
1
@ε ą 0 Pp| X ´ ErXs| ě σ ¨ εq ď . (3.23)
ε2
Demostración.
“ ‰
E pX ´ ErXsq2
2 2 2 σ2 1
Pp| X ´ ErXs| ě σ ¨ εq “ PppX ´ ErXsq ě σ ε q ď 2 2
“ 2 2
“ 2
(3.22) σ ε σ ε ε
Dado k ą 0, la masa de probabilidad situada fuera del intervalo pµ ´ k σ, µ ` k σq es
menor que 1{k2 .
2 Para recordar algo que ya dijimos, en realidad es g : R Ñ R.
45
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Ejercicio 3.2. El dueño de un bar estima que durante el fin de semana los clientes piden
por término medio 300 bocadillos variados, con una desviación típica de 20 bocadillos.
¿Qué probabilidad hay de que los clientes le pidan en un fin de semana por lo menos
330?
´ 30 ¯
Solución. PpX ě 330q “ PpX ´ 300 ě 30q “ P X ´ 300 ě ¨ 20
20
´ 30 ¯ 1 4
ď P |X ´ 300| ě ¨ 20 ď 30 2 “ . đ
20 p 20 q 9
¿Cuántos panecillos debe comprar el dueño para el fin de semana y así poder satisfacer
a los clientes con una probabilidad de por lo menos 0.75? Se deja como ejercicio.
6
Ejemplo. Sea X variable aleatoria, R X “ N y PpX “ nq “ π 2 n2
. Entonces
∞ ∞ ∞
6 6 esn
MX psq “ ∑ esn ¨ PpX “ nq “ ∑ esn ¨
π 2 n2
“ 2
π ∑ n2
.
n“1 n“1 n“1
esn e
Ahora, si s ą 0 la serie diverge. Y si s ă 0, entonces 2 ď 2 converge, y por lo tanto el
n n
dominio de MX es p´∞, 0s.
Ejercicio 3.3. Calcular MX de la distribución cuya función de densidad es
#
1 ´ 2x
2 ¨e si x ą 0
f X pxq “
0 resto
Teorema 3.32. Sea X una variable aleatoria con función generatriz de momentos MX psq.
Si D MX psq @s P p´s0 , s0 q entonces existen las derivadas de cualquier orden de MX psq en
s “ 0 y se verifica que
´ dk ¯ “ ‰
“ E Xk
pkq
MX p0q “ k
M X p0q k “ 1, 2, . . . (3.25)
ds
46
3 .3 M e d i da s d e d i s p e r s i ó n d e u na va r i a b l e a l e at o r i a
y además g1 psq “ esx ¨ PpX “ xq y g2 psq “ esx ¨ f X pxq son indefinidamente derivables (de
clase C ∞ ). Como @s P p´s0 , s0 q
d´ ¯ d sx
M1X psq “ ∑
ds xPRX
esx ¨ PpX “ xq “ ∑
ds
pe ¨ PpX “ xqq “ ∑ x ¨ esx ¨ PpX “ xq
xPR X xPR X
esto implica que M1X p0q “ ∑ xPRX x ¨ PpX “ xq “ ErXs. En segundo lugar, de manera
“ ‰
análoga se prueba que MX “ E X k “ αk ,
pkq
M2X p0q 2
MX psq “ MX p0q ` M1X p0q ¨ s ` ¨s `¨¨¨
2!
∞ pkq ∞
MX p0q k α
“ ∑ ¨ s “ 1 ` ∑ k ¨ sk
k“0
k! k“1
k!
pkq
En particular MX p0q “ 1 y MX p0q “ αk .
47
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
` 5 ˘k´1
Ejemplo (Juego del parchís). Se tiene que ErXs “ 1
6 ∑∞
k“0 k ¨ 6 , y conocemos un
método para hallar su derivada:
∞
1 1
sppq “ ∑ pk “
1´ p
, s1 ppq “ ∑ k ¨ pk´1 “ p1 ´ pq2
0ăpă1 k“0 k“1
1 1
entonces hallamos la esperanza, que es ErXs “ 6 ¨ 2 .
p1´ 56 q
X x1 ... xk ...
x1 x2 x3
PpX “ xk q p1 ... pk ...
Figura 3.5: Ejemplo de distribución discreta
48
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
X 0 1 1´ p
PpX “ xk q 1 ´ p p 0 1
Veamos sus características:
La media
µ “ α1 “ ErXs “ 0 ¨ p1 ´ pq ` 1 ¨ p “ p,
la varianza
“ ‰
σ2 “ VarrXs “ E X 2 ´ ErXs2 “ α2 ´ α21 “ 02 p1 ´ pq ` 12 p ´ p2 “ p p1 ´ pq,
la función característica
“ ‰
ϕ X ptq “ E eitX “ e0it ¨ PpX “ 0q ` e1it ¨ PpX “ 1q “ p1 ´ pq ` p eit “ p1 ´ pq ` p eit ,
la función generatriz de momentos (cálculo análogo al de la función característica)
MX psq “ p1 ´ pq ` p es ,
y sus momentos respecto del origen
ϕ1 p0q 1
α1 “ µ1 “ X “ pip ¨ ei0 q “ p ¨ ei0 “ p,
i i
“ 2‰ ϕ2X p0q 1
α2 “ E X “ 2
“ 2 ¨ i2 p ¨ ei0 “ p.
i i
49
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
La función de distribución
$
’0
’
’ ˆ ˙
xă0
’
& n
FX pxq “
’
∑ k
¨ pk ¨ qn´k 0ďkďn
’
’ 0ďxďn
’
%
1 xěn
su función característica
n n ˆ ˙
“ ‰ n
ϕ X ptq “ E eitx “ ∑ eitk ¨ PpX “ kq “ ∑ eitk ¨ k
¨ pk ¨ qn´k ,
k“0 k“0
nˆ ˙
n
“∑ ¨ peit ¨ pqk ¨ qn´k “ pp eit ` qqn ,
k“0
k
la función generatriz de momentos (análoga a la característica)
MX ptq “ pp et ` qqn ,
la media (usando que p ` q “ 1)
1 1 1
µ “ α1 “ ¨ ϕ X p0q “ n pp ei0 ` qqn´1 p ei0 i “ n ¨ p,
i i
el momento de orden dos
1 1
α2 “ 2 ¨ ϕ2X p0q “ 2 n pn ´ 1q pp ei0 ` qqn´2 p ei0 ¨ i p ei0 i ` ¨ ¨ ¨
i i
1
` 2 n pp ei0 ` qqn´1 ¨ i2 p ei0
i
“ n pn ´ 1q p2 ` n ¨ p,
y, con eso, la varianza
σ2 “ VarrXs “ α2 ´ α21 “ n p p1 ´ pq.
50
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
llegamos a que
λk ´λ
PpX “ kq ÝÝÝÑ ¨e
npÑλ k!
nÑ∞
pÑ0
Definición 3.35 (Distribución de Poisson). Se dice que X tene una distribución de Poisson
de parámetro λ si su función de probabilidad es de la forma
λk ´λ
PpX “ kq “ ¨e k “ 0, 1, 2, . . .
k!
y se escribe de la forma Ppλq.
La función de distribución
λk ´λ
FX pxq “ ∑ PpX “ kq “ ∑ k!
¨e
kďx kďx
la media, la esperanza o momento de orden uno respecto del origen
∞ ∞
λk ´λ
α1 “ µ “ ErXs “ ∑ k ¨ PpX “ kq “ ∑ k¨ k!
¨e
k“0 k“0
∞
λk´1
“ λ e´λ ∑ pk ´ 1q! “ λ e´λ ¨ eλ “ λ,
k“1
el momento de orden dos
∞ ∞ `
“ ‰ λk ´λ ˘ λk
α2 “ E X 2 “ ∑ k2 ¨
k!
¨ e “ e´λ ∑ k2 ´ k ` k
k!
k“0 k“1
ˆ∞ k ∞ k
˙
λ λ
“ e´λ ∑ k pk ´ 1q ` ∑ k¨
k“0
k! k“0 k!
51
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
ˆ ∞ ∞ ˙
λk λk
“e ´λ
∑ k pk ´ 1q ` ∑ k!
k! k“1
k ¨
k“2
ˆ ∞ ∞ ˙
λk´2 λk´1
“e ´λ
λ ∑ 2
`λ ∑
k“0
pk ´ 2q! k“0
pk ´ 1q!
` ˘
“ e´λ λ2 eλ ` λ eλ “ λ2 ` λ,
la varianza
“ ‰
VarrXs “ σ2 “ µ2 “ E X 2 ´ ErXs2 “ λ2 ` λ ´ λ2 “ λ,
la función característica
∞ ∞
“ ‰ λk ´λ
ϕ X ptq “ E eitx “ ∑ eitk ¨ PpX “ kq “ ∑ eitk ¨ k!
¨e
k“0 k“0
∞
pλ eit qk it it ´1q
“ e´λ ∑ k!
“ eλ e ¨ e´λ “ eλ pe ,
k“0
y la función generatriz de momentos
s
MX psq “ eλ pe ´1q .
sabemos que es una distribución de probabilidad. Veamos ahora cuáles son sus propie-
dades:
La función característica
∞ ∞
“ ‰ p ∞ ` it ˘k
ϕ X ptq “ E eitX “ ∑ eitk ¨ PpX “ kq “ ∑ eitk ¨ p ¨ qk´1 “ ∑ e ¨q
q k“1
k“1 k“1
p q eit p eit
“ ¨ “
q 1 ´ q eit 1 ´ q eit
52
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
∑∞ y, por lo tanto, ∑∞ 1
k´1 ¨ p´1q “ p˚q ´1 k´1 “
k“0 k ¨ p1 ´ pq p2 k“0 k ¨ p1 ´ pq p2
, de manera que la
media queda
∞ ∞
p 1
∑ k ¨ qk´1 ¨ p “ p ∑ k ¨ qk´1
p˚q
α1 “ ErXs “ “ “ ,
k“1 k“1
p2 p
y como
1
ErXs “
p
∞
“ ‰ p ∞ 2 k p qpq ` 1q p˚˚q q ` 1
E X2 “ ∑ k2 ¨ qk´1 ¨ p “ ∑ k ¨q
q k“1
“
x“q q
¨
p3
“
p2
k“1 1´x“p
la varianza queda
“ ‰ p˚˚q q ` 1 1 q
σ2 “ VarrXs “ µ2 “ E X 2 ´ ErXs2 “ ´ 2 “ 2.
p2 p p
Donde Ω “ tE, Fu y A “ ℘pΩN q. Se dice que una variable aleatoria sigue una distribución
binomial negativa si su función de probabilidad es de la forma
ˆ ˙
n`k´1
PpX “ kq “ Pptω P Ω | Xpωq “ kuq “ ¨ pn ¨ qk k “ 0, 1, 2, . . .
k
Observaciones.
53
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
La función característica ˆ ˙
∞ ∞ ˆ ˙
“ ‰ n`k´1 n`k´1
ϕ X ptq “ E eitX “ ∑e ¨ itk
k
¨p ¨q “ p ∑
n k n
k
¨ pq eit qk
k“0 k“0
∞ ˆ ˙ ∞ ˆ ˙
´n ´n
“ pn ∑ p´1qk ¨ ¨ pq eit qk “ pn ∑ ¨ p´q eit qk
k“0
k k“0
k
´ p ¯n
“ pn ¨ p1 ´ q eit q´n “ ,
1 ´ q eit
la media
q
µ “ α1 “ ErXs “ n ¨ ,
p
y la varianza
1
σ2 “ µ2 “ VarrXs “ 2 ¨ n q.
p
54
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
y en segundo
` ˘ lugar, apoyándonos en la observación que hemos hecho antes, p1 ` tqn “
n
∑nj“0 j ¨ t j , de manera que
„ˆ ˙ ˆ ˙ ˆ ˙ ˆ ˙ „ˆ ˙ ˆ ˙ ˆ ˙
a a a j a a b b b b
` x`¨¨¨` x `¨¨¨` x ¨ ` x`¨¨¨` x “
0 1 j a 0 1 b
a`b ˆ ˙
a`b
“∑ xj
j“0
j
Y algunas propiedades:
La media
D
µ “ α1 “ ErXs “ ¨ n,
N
el momento de orden dos
“ ‰ n pn ´ 1q Dn
α2 “ E X 2 “ D pD ´ 1q ¨ ` ,
N pN ´ 1q N
y la varianza
D N´D N´n
σ2 “ VarrXs “ µ2 “ n ¨ ¨ ¨ .
N N N´1
Observación. Veamos que la hipergeométrica y la binomial estan íntimamente relacionadas. 22/11/2012
D
Si se extraen n elementos definimos p “ N , q “ 1 ´ p “ N´D
N , entonces
`D˘` N´D˘ ` pN ˘` Nq ˘ pN! Nq!
k k! ppN´kq! ¨
` Nn´k k n´k pn´kq! rNq´pn`kqs!
PpX “ kq “ ˘ “ `N˘ “ N!
n n n! pN´nq!
` ˘
n! pN ¨ ppN ´ 1q ¨ ¨ ¨ ppN ´ pk ´ 1qq ¨ Nq ¨ pNq ´ 1q ¨ ¨ ¨ pNq ´ pn ´ k ´ 1qq
“
pn ´ kq! k! N ¨ pN ´ 1q ¨ ¨ ¨ pN ´ pn ´ 1qq
55
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
ˆ ˙ ˆ ˙
n ppNqk ¨ pNqqn´k n
« n
ÝÝÝÑ ¨ pk ¨ qn´k “ PpY “ kq
k N NÑ∞ k
y, de esta manera, Y sigue una distribución binomial Bpn, pq.
Ejemplo. En una concurrida intersección de tráfico, la probabilidad de que un automóvil
tenga un accidente es muy pequeño. Sin embargo, entre las 16:00 y las 18:00 de la tarde
un gran número de automóviles pasa por la intersección. ¿Cuál es la probabilidad de
que ocurran dos o más accidentes?
Solución. Si suponemos que P es la misma para todos los conductores y que el que un
automóvil tenga un accidente no depende del resto, la variable aleatoria es X ” nº de
accidentes y queremos calcular PpX ě 2q
que, al ser muy pequeña, podemos aproximar la binomial por una Poisson de parámetro
λ “ 0.1, de manera que quedaría X ” Pp0.1q. đ
Zx
FX pxq “ PpX ď Xq “ f X ptq dt FX pxq
1
´∞
$
’
&0
’ xăa 0
x´a a b
“ aďxăb
’ b´a
’
%1 bďx
Veamos sus propiedades,
La media
Zb b
1 1 x2 pb ´ aq pb ` aq b`a
µ “ α1 “ ErXs “ x¨ dx “ ¨ “ “ ,
b´a b´a 2 a 2 pb ´ aq 2
a
56
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
57
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Definición 3.38 (Distribución normal). Se dice que una variable aleatoria X sigue una
distribución normal de parámetros µ P R y σ ą 0, es decir, X ” Npµ, σq, si su función de
densidad es de la forma
1 1 x´µ 2
f pxq “ ? ¨ e´ 2 p σ q x P R.
σ 2π
µ´σ µ µ`σ
Ahora nos preguntamos si su integral en todo R es igual a 1:
Z Z ˆ ´ ˙
1 1 x ´ µ ¯2 x´µ
f pxq dx “ ? ¨ exp ´ dx σ “z
R R σ 2π 2 σ dx“σ dz
Z
1 z2
“ ? e´ 2 σ dz
σ 2π R
que, por ser simétrica respecto del eje y
Z∞
2 z2 ?z “t
“? e´ 2 dz dz
2
2π ?
2
“dt
0
Z∞ Z∞
2 ´t2
? 2 2 t2 “y
“? e 2 dt “ ? e´t dt ?
dt“ 21 p yq´1 dy
2π π
0 0
Z∞ ?
2 ´y ´ 12 1 1 π
“ ? e y dy “ ? ¨ Γp 2 q “ ? “ 1
2 π π π
0
Y su función de distribución es
1
Zx
1 1 t´µ 2
Fpxq “ ? e´ 2 p σ q dt 0.5
σ 2π
´∞
µ
58
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
La media
Z Z
1 1 x´µ 2 x´µ
ErXs “ x ¨ f pxq dx “ x ¨ ? e´ 2 p σ q dx σ “z
R R σ 2π dx“σ dz
Z
1 1 2
pσz ` µq ? e´ 2 z σ dz
“
R σ 2π
Z Z ?
σ 1 2
z µ 1 2
z µ 2π
“? ze ´ 2 dz ` ? e ´ 2 dz “ 0 ` ? “ µ,
2π R 2π R 2π
el momento de orden dos
“ 2‰ Z 2 Z
1 1 x´µ 2 x´µ
α2 “ E X “ x f pxq dx “ x2 ? e´ 2 p σ q dx σ “r
R R σ 2π dx“σ dr
Z
1 1 2
“? prσ ` µq2 e´ 2 r dr
2π R
Z Z Z
1 ´ 2 1 2 1 2 1 2
¯
“? σ r2 e´ 2 r dr ` µ2 e´ 2 r dr ` 2µσ re´ 2 r dr
2π R R R
Z 2 Z
σ2 1 2 µ 1 2 r2
“? r2 e´ 2 r dr ` ? e´ 2 r dr ` 0 2 “h
dr“ ?1 dr
2π R 2π R 2h
Z
σ2 1
“ ? 2he´h ? dh ` µ2
2π R 2h
Z Z
σ2 1 σ2 1
“? he´h ? dh ` µ2 “ ? h 2 e´h dh ` µ2
π R h π R
Z∞
σ2 1 σ2 ` ˘
“ ? ¨2 h 2 e´h dh ` µ2 “ ? ¨ 2 ¨ Γ 23 ` µ2
π π
0
σ2 2
`1˘2 2
“?
π 2 `µ “ σ `µ ,
¨Γ
59
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
t2
µ i t µ´ 1 σ2 1 2
Demostración. Calculando la función característica ϕ Z ptq “ e´it σ ¨ e σ 2 σ2 “ e´ 2 t ùñ
Z ” Np0, 1q. Por lo tanto, si desconocemos PpX ą aq nos basta con convertirla a Z y tan
sólo tabular los resultados para Np0, 1q:
´X ´ µ a ´ µ¯ ´ a ´ µ¯
PpX ą aq “ P ą “ P Np0, 1q ą
σ σ σ
Ejercicio 3.6. Obtener la media y la varianza a partir de la función característica.
Z Z∞
a p ´ax p´1 ax“y
f pxq dx “ e x dx a dx“dy
R Γppq Γppq
0 hkkkkkkkkkkkkkkkkj
Z∞ ´ y ¯ p´1 1 Z∞
ap ap 1 1
“ e ´y
dy “ p´1
e´y y p´1 dy “ 1.
Γppq a a Γppq a a
0 0
La función característica
Z∞ Z∞
“ itX
‰ itx a p ´ax p´1
ϕ X ptq “ E e “ e f pxq dx “ eitx e x dx
Γppq
0 0
Z∞
ap
“ x p´1 e´xpa´itq dx pa´itqx“y
Γppq
0
Z∞´
ap y ¯p´1 ´y dy
“ e
Γppq a ´ it a ´ it
0
Z∞ ´
ap 1 a ¯p ´ it ¯´p
“ y p´1 e´y dy “ “ 1´ ,
Γppq pa ´ itq p a ´ it a
0
60
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
la esperanza
Z Z∞ Z∞
a p ´ax p´1 ap
ErXs “ x f pxq dx “ x e x dx “ x p e´ax dx ax“y
R Γppq Γppq
0 0
Z∞´ Z∞
ap y ¯p 1 ´y 1 1
“ e dy “ y p e´y dy
Γppq a a a Γppq
0 0
1 1 p
“ p ¨ Γppq “ ,
a Γppq a
el momento de orden dos
Z Z∞ Z∞
“ 2
‰ 2 a p ´ax p`1 ap
E X “ x f pxq dx “ e x dx “ x p`1 e´ax dx ax“y
R Γppq Γppq
0 0
Z∞´
ap y ¯ p`1 ´y dy 1 1 p pp ` 1q
“ e “ 2 Γpp ` 2q “ ,
Γppq a a a Γppq a2
0
y la varianza
p2 ` p p2 p
VarrXs “ σ2 “ µ2 “ α2 ´ α21 “ ´ 2 “ 2.
a2 a a
Definición 3.40 (Distribución exponencial). Se dice que una variable aleatoria continua
X sigue una distribución exponencial de parámetro λ ą 0 si su función de densidad es de
la forma
#
λ e´λx x ą 0
f pxq “ y se escribe: Exppλq ” γpa “ λ, p “ 1q,
0 resto
que, por ser un caso particular de la función gamma, se tiene que la esperanza es
` ˘´1
ErXs “ λ1 , la varianza VarrXs “ λ12 , y la función característica ϕ X ptq “ 1 ´ itλ .
Γppq Γpqq
βpp, qq “ .
Γpp ` qq
61
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Γppq Γpqq
βpp, qq “
Γpp ` qq
`1 1
˘ ` 1 ˘2
b) β ,
2 2 “ π “ Γ 2 .
Demostración.
Z1 Z1
`1 1
˘ ´ 21 ´ 12 dx ?
2, 2 x p1 ´ xq dx “
β “ ? ? y“ x
0 0 x 1´x
Z1 1
2y dy
“ a “ 2 arc sen y “ π
0 y 1 ´ y2 0
Observación.
`1 ˘ b ` ˘ ?
1 Γp1{2q Γp1{2q
β 2, 2 “ ùñ Γp1{2q “ β 12 , 21 “ π
Γp1q
62
3 .6 Ta b l a s Bi n o m i a l , Po i s s o n y No r m a l
Definición 3.43 (Distribución beta). Se dice que la variable aleatoria X sigue una distri-
buión beta de parámetros p ą 0 y q ą 0 si su función de densidad es de la forma
$
& 1 ¨ x p´1 ¨ p1 ´ xqq´1 x P p0, 1q
’
f pxq “ βpp, qq
’
%0 resto
La media
Z Z1
1
µ “ ErXs “ x f pxq dx “ x x p´1 p1 ´ xqq´1 dx
R βpp, qq
0
Z1 Γpp`1qΓpqq
1 q´1 βpp ` 1, qq Γpp`q`1q
“ x pp`1q´1
p1 ´ xq dx “ “
βpp, qq βpp, qq ΓppqΓpqq
0 Γpp`qq
p Γppq Γpp ` qq p
“ “ ,
Γppq pp ` qq Γpp ` qq p`q
el momento de orden dos
1
“ 2‰ Z 2 Z
1
α2 “ E X “ x f pxq dx “ x2 x p´1 p1 ´ xqq´1 dx
R βpp, qq
0
Γpp`2q
βpp ` 2, qq Γpp`q`2q pp ` 1q p
“ “ “ ,
βpp, qq Γppq pp ` q ` 1q pp ` qq
Γpp`qq
y la varianza
p pp ` 1q ´ p ¯2 pq
σ2 “ VarrXs “ µ2 “ α2 ´ α21 “ ´ “ 2
.
pp ` q ` 1q pp ` qq p`q pp ` qq pp ` q ` 1q
63
Tabla 1
Distribución Binomial (Bpn, pq)
ˆ ˙
n k n´k
Ppξ “ kq “ p q
k
p
n k 0.01 0.05 0.10 0.15 0.20 0.25 0.30 1{3 0.35 0.40 0.45 0.49 0.50
2 0 0.9801 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4444 0.4225 0.3600 0.3025 0.2601 0.2500
1 0.0198 0.0950 0.1800 0.2550 0.3200 0.3750 0.4200 0.4444 0.4550 0.4800 0.4950 0.4998 0.5000
2 0.0001 0.0025 0.0100 0.0225 0.0400 0.0625 0.0900 0.1111 0.1225 0.1600 0.2025 0.2401 0.2500
3 0 0.9703 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2963 0.2746 0.2160 0.1664 0.1326 0.1250
1 0.0294 0.1354 0.2430 0.3251 0.3840 0.4219 0.4410 0.4444 0.4436 0.4320 0.4084 0.3823 0.3750
2 0.0003 0.0071 0.0270 0.0574 0.0960 0.1406 0.1890 0.2222 0.2389 0.2880 0.3341 0.3674 0.3750
3 0.0001 0.0010 0.0034 0.0080 0.0156 0.0270 0.0370 0.0429 0.0640 0.0911 0.1177 0.1250
4 0 0.9606 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1975 0.1785 0.1296 0.0915 0.0677 0.0625
1 0.0388 0.1715 0.2916 0.3685 0.4096 0.4219 0.4116 0.3951 0.3845 0.3456 0.2995 0.2600 0.2500
2 0.0006 0.0135 0.0486 0.0975 0.1536 0.2109 0.2646 0.2963 0.3105 0.3456 0.3675 0.3747 0.3750
3 0.0005 0.0036 0.0115 0.0256 0.0469 0.0756 0.0988 0.1115 0.1536 0.2005 0.2400 0.2500
4 0.0001 0.0005 0.0016 0.0039 0.0081 0.0123 0.0150 0.0256 0.0410 0.0577 0.0625
5 0 0.9510 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1317 0.1160 0.0778 0.0503 0.0345 0.0313
1 0.0480 0.2036 0.3281 0.3915 0.4096 0.3955 0.3602 0.3292 0.3124 0.2592 0.2059 0.1657 0.1563
2 0.0010 0.0214 0.0729 0.1382 0.2048 0.2637 0.3087 0.3292 0.3364 0.3456 0.3369 0.3185 0.3125
3 0.0011 0.0081 0.0244 0.0512 0.0879 0.1323 0.1646 0.1812 0.2304 0.2757 0.3060 0.3125
4 0.0004 0.0022 0.0064 0.0147 0.0284 0.0412 0.0488 0.0768 0.1128 0.1470 0.1563
5 0.0001 0.0003 0.0010 0.0024 0.0041 0.0053 0.0102 0.0185 0.0282 0.0313
6 0 0.9415 0.7351 0.5315 0.3772 0.2622 0.1780 0.1177 0.0878 0.0754 0.0467 0.0277 0.0176 0.0156
1 0.0571 0.2321 0.3543 0.3993 0.3932 0.3560 0.3025 0.2634 0.2437 0.1866 0.1359 0.1014 0.0938
2 0.0014 0.0306 0.0984 0.1762 0.2458 0.2966 0.3241 0.3292 0.3280 0.3110 0.2780 0.2437 0.2344
3 0.0021 0.0146 0.0415 0.0819 0.1318 0.1852 0.2195 0.2355 0.2765 0.3032 0.3121 0.3125
4 0.0001 0.0012 0.0055 0.0154 0.0330 0.0595 0.0823 0.0951 0.1382 0.1861 0.2249 0.2344
5 0.0001 0.0004 0.0015 0.0044 0.0102 0.0165 0.0205 0.0369 0.0609 0.0864 0.0938
6 0.0001 0.0002 0.0007 0.0014 0.0018 0.0041 0.0083 0.0138 0.0156
7 0 0.9321 0.6983 0.4783 0.3206 0.2097 0.1335 0.0824 0.0585 0.0490 0.0280 0.0152 0.0090 0.0078
1 0.0659 0.2573 0.3720 0.3960 0.3670 0.3115 0.2471 0.2049 0.1848 0.1306 0.0872 0.0604 0.0547
2 0.0020 0.0406 0.1240 0.2097 0.2753 0.3115 0.3177 0.3073 0.2985 0.2613 0.2140 0.1740 0.1641
3 0.0036 0.0230 0.0617 0.1147 0.1730 0.2269 0.2561 0.2679 0.2903 0.2919 0.2786 0.2734
4 0.0002 0.0026 0.0109 0.0287 0.0577 0.0972 0.1280 0.1442 0.1935 0.2388 0.2677 0.2734
5 0.0002 0.0012 0.0043 0.0115 0.0250 0.0384 0.0466 0.0774 0.1172 0.1543 0.1641
6 0.0001 0.0004 0.0013 0.0036 0.0064 0.0084 0.0172 0.0320 0.0494 0.0547
7 0.0001 0.0002 0.0005 0.0006 0.0016 0.0037 0.0068 0.0078
8 0 0.9227 0.6634 0.4305 0.2725 0.1678 0.1001 0.0577 0.0390 0.0319 0.0168 0.0084 0.0046 0.0039
1 0.0746 0.2793 0.3826 0.3847 0.3355 0.2670 0.1977 0.1561 0.1373 0.0896 0.0548 0.0352 0.0313
2 0.0026 0.0515 0.1488 0.2376 0.2936 0.3115 0.2965 0.2731 0.2587 0.2090 0.1570 0.1183 0.1094
3 0.0001 0.0054 0.0331 0.0839 0.1468 0.2076 0.2541 0.2731 0.2786 0.2787 0.2568 0.2273 0.2188
4 0.0004 0.0046 0.0185 0.0459 0.0865 0.1361 0.1707 0.1875 0.2322 0.2627 0.2730 0.2734
5 0.0004 0.0026 0.0092 0.0231 0.0467 0.0683 0.0808 0.1239 0.1719 0.2098 0.2188
6 0.0002 0.0011 0.0039 0.0100 0.0171 0.0217 0.0413 0.0703 0.1008 0.1094
7 0.0001 0.0004 0.0012 0.0024 0.0033 0.0079 0.0165 0.0277 0.0313
8 0.0001 0.0002 0.0002 0.0007 0.0017 0.0033 0.0039
9 0 0.9135 0.6303 0.3874 0.2316 0.1342 0.0751 0.0404 0.0260 0.0207 0.0101 0.0046 0.0023 0.0020
1 0.0831 0.2985 0.3874 0.3679 0.3020 0.2253 0.1557 0.1171 0.1004 0.0605 0.0339 0.0202 0.0176
2 0.0034 0.0629 0.1722 0.2597 0.3020 0.3003 0.2668 0.2341 0.2162 0.1612 0.1110 0.0776 0.0703
3 0.0001 0.0077 0.0447 0.1069 0.1762 0.2336 0.2668 0.2731 0.2716 0.2508 0.2119 0.1739 0.1641
4 0.0006 0.0075 0.0283 0.0661 0.1168 0.1715 0.2049 0.2194 0.2508 0.2600 0.2506 0.2461
5 0.0008 0.0050 0.0165 0.0389 0.0735 0.1024 0.1181 0.1672 0.2128 0.2408 0.2461
6 0.0001 0.0006 0.0028 0.0087 0.0210 0.0342 0.0424 0.0743 0.1160 0.1542 0.1641
7 0.0001 0.0003 0.0012 0.0039 0.0073 0.0098 0.0212 0.0407 0.0635 0.0703
8 0.0001 0.0004 0.0009 0.0013 0.0035 0.0083 0.0153 0.0176
9 0.0001 0.0001 0.0003 0.0008 0.0016 0.0020
10 0 0.9044 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0174 0.0135 0.0060 0.0025 0.0012 0.0010
1 0.0914 0.3151 0.3874 0.3474 0.2684 0.1877 0.1211 0.0867 0.0725 0.0403 0.0207 0.0114 0.0098
2 0.0042 0.0746 0.1937 0.2759 0.3020 0.2816 0.2335 0.1951 0.1757 0.1209 0.0763 0.0495 0.0440
3 0.0001 0.0105 0.0574 0.1298 0.2013 0.2503 0.2668 0.2601 0.2522 0.2150 0.1665 0.1267 0.1172
4 0.0010 0.0112 0.0401 0.0881 0.1460 0.2001 0.2276 0.2377 0.2508 0.2384 0.2130 0.2051
5 0.0001 0.0015 0.0085 0.0264 0.0584 0.1029 0.1366 0.1536 0.2007 0.2340 0.2456 0.2461
6 0.0001 0.0013 0.0055 0.0162 0.0368 0.0569 0.0689 0.1115 0.1596 0.1966 0.2051
7 0.0001 0.0008 0.0031 0.0090 0.0163 0.0212 0.0425 0.0746 0.1080 0.1172
8 0.0001 0.0004 0.0015 0.0031 0.0043 0.0106 0.0229 0.0389 0.0440
9 0.0001 0.0003 0.0005 0.0016 0.0042 0.0083 0.0098
10 0.0001 0.0003 0.0008 0.0010
n k 0.01 0.05 0.10 0.15 0.20 0.25 0.30 1{3 0.35 0.40 0.45 0.49 0.50
Tabla 2
Distribución de Poisson (Ppλq)
λk ´λ
Ppξ “ kq “ ¨e
k!
k
λ 0 1 2 3 4 5 6 7 8 9 10 11 12
0.1 0.9050 0.0905 0.0045 0.0002
0.2 0.8189 0.1638 0.0164 0.0011 0.0001
0.3 0.7410 0.2223 0.0333 0.0033 0.0002
0.4 0.6705 0.2682 0.0536 0.0072 0.0007 0.0001
0.5 0.6066 0.3033 0.0758 0.0126 0.0016 0.0002
0.6 0.5489 0.3294 0.0988 0.0198 0.0030 0.0004
0.7 0.4967 0.3477 0.1217 0.0284 0.0050 0.0007 0.0001
0.8 0.4494 0.3595 0.1438 0.0384 0.0077 0.0012 0.0002
0.9 0.4067 0.3660 0.1647 0.0494 0.0111 0.0020 0.0003 0.0001
1.0 0.3679 0.3679 0.1839 0.0613 0.0153 0.0031 0.0005 0.0001
1.1 0.3330 0.3663 0.2015 0.0739 0.0203 0.0045 0.0008 0.0001
1.2 0.3013 0.3615 0.2169 0.0868 0.0260 0.0062 0.0013 0.0002
1.3 0.2726 0.3543 0.2303 0.0998 0.0324 0.0084 0.0018 0.0003 0.0001
1.4 0.2467 0.3453 0.2417 0.1128 0.0395 0.0111 0.0026 0.0005 0.0001
1.5 0.2231 0.3347 0.2510 0.1255 0.0471 0.0141 0.0035 0.0008 0.0001
1.6 0.2019 0.3231 0.2585 0.1379 0.0552 0.0176 0.0047 0.0011 0.0002 0.0001
1.7 0.1827 0.3107 0.2641 0.1496 0.0636 0.0216 0.0061 0.0015 0.0003 0.0001
1.8 0.1653 0.2976 0.2678 0.1607 0.0723 0.0260 0.0078 0.0020 0.0005 0.0001
1.9 0.1495 0.2841 0.2699 0.1709 0.0812 0.0309 0.0098 0.0027 0.0006 0.0001
2.0 0.1353 0.2707 0.2707 0.1804 0.0902 0.0361 0.0120 0.0034 0.0009 0.0002 0.0001
2.2 0.1108 0.2438 0.2682 0.1967 0.1082 0.0476 0.0175 0.0055 0.0015 0.0004 0.0001
2.4 0.0907 0.2177 0.2613 0.2090 0.1254 0.0602 0.0241 0.0083 0.0025 0.0007 0.0002
2.6 0.0743 0.1931 0.2511 0.2176 0.1414 0.0736 0.0319 0.0118 0.0039 0.0011 0.0003 0.0001
2.8 0.0608 0.1703 0.2384 0.2225 0.1558 0.0872 0.0407 0.0163 0.0057 0.0018 0.0005 0.0001
3.0 0.0498 0.1494 0.2240 0.2240 0.1680 0.1008 0.0504 0.0216 0.0081 0.0027 0.0008 0.0002 0.0001
3.2 0.0408 0.1305 0.2087 0.2226 0.1781 0.1140 0.0608 0.0278 0.0111 0.0040 0.0013 0.0004 0.0001
3.4 0.0334 0.1135 0.1929 0.2186 0.1859 0.1264 0.0716 0.0348 0.0148 0.0056 0.0019 0.0006 0.0002
3.6 0.0273 0.0984 0.1771 0.2125 0.1913 0.1377 0.0826 0.0425 0.0191 0.0076 0.0028 0.0009 0.0003
3.8 0.0224 0.0850 0.1615 0.2046 0.1944 0.1477 0.0936 0.0508 0.0241 0.0102 0.0039 0.0013 0.0004
4.0 0.0183 0.0733 0.1465 0.1953 0.1953 0.1563 0.1042 0.0595 0.0298 0.0132 0.0053 0.0019 0.0006
5.0 0.0067 0.0337 0.0842 0.1404 0.1755 0.1755 0.1462 0.1044 0.0653 0.0363 0.0181 0.0082 0.0034
6.0 0.0025 0.0149 0.0446 0.0892 0.1338 0.1606 0.1606 0.1377 0.1032 0.0688 0.0413 0.0225 0.0113
7.0 0.0009 0.0064 0.0223 0.0521 0.0912 0.1277 0.1490 0.1490 0.1304 0.1014 0.0710 0.0452 0.0264
8.0 0.0003 0.0027 0.0107 0.0286 0.0572 0.0916 0.1221 0.1396 0.1396 0.1241 0.0992 0.0722 0.0481
9.0 0.0001 0.0011 0.0050 0.0150 0.0337 0.0607 0.0911 0.1171 0.1317 0.1317 0.1186 0.0970 0.0728
10.0 0.0001 0.0005 0.0023 0.0076 0.0189 0.0378 0.0630 0.0901 0.1126 0.1251 0.1251 0.1137 0.0948
k
λ 12 13 14 15 16 17 18 19 20 21 22 23 24
5.0 0.0034 0.0013 0.0005 0.0002 0.0001
6.0 0.0113 0.0052 0.0022 0.0009 0.0003 0.0001 0.0001
7.0 0.0264 0.0142 0.0071 0.0033 0.0015 0.0006 0.0002 0.0001
8.0 0.0481 0.0296 0.0169 0.0090 0.0045 0.0021 0.0010 0.0004 0.0002 0.0001
9.0 0.0728 0.0504 0.0324 0.0194 0.0109 0.0058 0.0029 0.0014 0.0006 0.0003 0.0001 0.0001
10.0 0.0948 0.0729 0.0521 0.0347 0.0217 0.0128 0.0071 0.0037 0.0019 0.0009 0.0004 0.0002 0.0001
Tabla 3
Distribución Normal (Np0, 1q)
Z∞
1 z2
α“ ? ¨ e´ 2 dz
2π
zα
0.0 zα
zα 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
2.3 0.01072 0.01044 0.01017 0.00990 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
2.4 0.00820 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
2.5 0.00621 0.00604 0.00587 0.00570 0.00554 0.00539 0.00523 0.00508 0.00494 0.00480
2.6 0.00466 0.00453 0.00440 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
2.7 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.00280 0.00272 0.00264
2.8 0.00256 0.00248 0.00240 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
2.9 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
3.0 0.00135 0.00131 0.00126 0.00122 0.00118 0.00114 0.00111 0.00107 0.00104 0.00100
3.1 9.68E´04 9.35E´04 9.04E´04 8.74E´04 8.45E´04 8.16E´04 7.89E´04 7.62E´04 7.36E´04 7.11E´04
3.2 6.87E´04 6.64E´04 6.41E´04 6.19E´04 5.98E´04 5.77E´04 5.57E´04 5.38E´04 5.19E´04 5.01E´04
3.3 4.83E´04 4.66E´04 4.50E´04 4.34E´04 4.19E´04 4.04E´04 3.90E´04 3.76E´04 3.62E´04 3.49E´04
3.4 3.37E´04 3.25E´04 3.13E´04 3.02E´04 2.91E´04 2.80E´04 2.70E´04 2.60E´04 2.51E´04 2.42E´04
3.5 2.33E´04 2.24E´04 2.16E´04 2.08E´04 2.00E´04 1.93E´04 1.85E´04 1.78E´04 1.72E´04 1.65E´04
3.6 1.59E´04 1.53E´04 1.47E´04 1.42E´04 1.36E´04 1.31E´04 1.26E´04 1.21E´04 1.17E´04 1.12E´04
3.7 1.08E´04 1.04E´04 9.96E´05 9.57E´05 9.20E´05 8.84E´05 8.50E´05 8.16E´05 7.84E´05 7.53E´05
3.8 7.23E´05 6.95E´05 6.67E´05 6.41E´05 6.15E´05 5.91E´05 5.67E´05 5.44E´05 5.22E´05 5.01E´05
3.9 4.81E´05 4.61E´05 4.43E´05 4.25E´05 4.07E´05 3.91E´05 3.75E´05 3.59E´05 3.45E´05 3.30E´05
zα 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1.0 0.15866 0.13567 0.11507 0.09680 0.08076 0.06681 0.05480 0.04457 0.03593 0.02872
2.0 0.02275 0.01786 0.01390 0.01072 0.00820 0.00621 0.00466 0.00347 0.00256 0.00187
3.0 1.35E´03 9.68E´04 6.87E´04 4.83E´04 3.37E´04 2.33E´04 1.59E´04 1.08E´04 7.23E´05 4.81E´05
4.0 3.17E´05 2.07E´05 1.33E´05 8.54E´06 5.41E´06 3.40E´06 2.11E´06 1.30E´06 7.93E´07 4.79E´07
5.0 2.87E´07 1.70E´07 9.96E´08 5.79E´08 3.33E´08 1.90E´08 1.07E´08 5.99E´09 3.32E´09 1.82E´09
6.0 9.87E´10 5.30E´10 2.82E´10 1.49E´10 7.77E´11 4.02E´11 2.06E´11 1.04E´11 5.23E´12 2.60E´12
3.7 E j e rc i c i o s
3.7 Ejercicios
Hoja 3 – Variables
aleatorias unidimensionales
A = {φ, A1 , A2 , A3 , A1 ∪ A2 , A1 ∪ A3 , A2 ∪ A3 , A1 ∪ A2 ∪ A3 }
10
67
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
8.- Sea
0, si x < 1,
(x + 1)/10, si 1 ≤ x < 3/2,
F (x) =
1/3 + (x − 3/2)/3, si 3/2 ≤ x < 5/2,
1, si 5/2 ≤ x.
I ) y PF (IR − Q
(8.b) Evaluar PF (Q I ).
es una función de distribución de tipo mixto, donde [x] denota la parte entera
de x.
11
68
3.7 E j e rc i c i o s
13.- Sea X una variable aleatoria discreta con soporte DX y función de masa
pX . Sean g : IR −→ IR una función medible e Y = g(X) la variable aleatoria
transformada. Demostrar que Y es una variable aleatoria discreta con soporte
DY = g(DX ) y función de masa
X
pY (y) = pX (x), si y ∈ DY .
{x∈IR:g(x)=y}∩DX
12
69
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
17.- Sea
½
1, si 0 < x < 1,
f (x) =
0, en caso contrario.
18.-
(18.a) Determinar la función generatriz de momentos de una variable aleatoria
1
X discreta con momentos E[X n ] = n+1 .
(18.b) Determinar la función generatriz de momentos de una variable aleatoria
X uniforme sobre el intervalo (a, b).
(18.c) Se sabe que la función generatriz de momentos de una variable aleatoria
X discreta viene dada por
1−α
M (t) = , α ∈ (0, 1).
1 − αet
Determinar la función de masa de X.
19.- Dada la función
1
ϕ(t) = ,
2 − eit
se pide:
(19.a) Comprobar que ϕ es la función caracterı́stica de una variable aleatoria
X discreta y hallar la función de masa, la media y la varianza de X.
(19.b) Escribir la función caracterı́stica de Y = 1 + 2X, ası́ como su media y
su varianza.
(19.c) Si Y1 = (Y +2)2 e Y2 = X 2 +5, calcular P (Y1 ∈ [10, 50]) y P (Y2 ∈ [6, 10]).
13
70
3.7 E j e rc i c i o s
14
71
4 Variables aleatorias multidimensionales
4.1 Función de distribución en R2
29/11/2012
Definición 4.1 (σ-álgebra de Borel en R2 ). Se denomina σ-álgebra de Borel en R2 , BpR2 q,
a la mínima σ-álgebra engendrada por todos los subconjuntos de R2 de la forma
(
p´∞, a1 s ˆ p´∞, a2 s “ px1 , x2 q P R2 | x1 ď a1 , x2 ď a2 (4.1)
con a1 , a2 P R.
Observación. Dados a “ pa1 , a2 q y b “ pb1 , b2 q, definimos
a) pa, bs ” tpx1 , x2 q P R2 | ai ă xi ď bi , i “ 1, 2u,
b) pa, bq ” tpx1 , x2 q P R2 | a i ă x i ă bi , i “ 1, 2u,
c) ra, bs ” tpx1 , x2 q P R2 | a i ď x i ď bi , i “ 1, 2u,
d) ra, bq ” tpx1 , x2 q P R2 | ai ď xi ă bi , i “ 1, 2u,
e) p´∞, bs ” tpx1 , x2 q P R2 | x i ď bi , i “ 1, 2u,
f) pa, `∞q ” tpx1 , x2 q P R2 | ai ą xi , i “ 1, 2u,
g) ra, `∞q ” tpx1 , x2 q P R2 | ai ě xi , i “ 1, 2u,
h) tA | A es abierto en R2 u, y
i) tA | A es cerrado en R2 u.
De esta manera, el mínimo sigma álgebra engendrado por la clase de estos subconjuntos
es también el sigma álgebra de Borel en R2 : σpuno de esos conjuntosq “ BpR2 q.
Definición 4.2 (Función de distribución en R2 ). Dado el espacio de probabilidad de la
forma pR2 , BpR2 q, Pq se denomina función de distribución asociada a P a la función
FP : R2 Ñ r0, 1s
pa1 , a2 q “ a ÞÑ FP paq “ FP pa1 , a2 q “ Ppp´∞, a1 s ˆ p´∞, a2 sq (4.2)
` (˘
“ P px1 , x2 q P R2 | xi ď ai i “ 1, 2
y pa1 , a2 q
La función de distribución nos da la probabilidad en
el cuadrante inferior izquierdo. Se representa de la
siguiente manera en el plano complejo: x
FP pa1 , a2 q
73
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
FP pa1 ` h, a2 q ě FP pa1 , a2 q h ą 0,
b) ai Ò∞ i “ 1, 2 ùñ FP pa1 , a2 q Ñ 1.
Demostración.
74
4 .1 Fu n c i ó n d e d i s t r i b u c i ó n e n R2
b2
∆b,a FP px1 , x2 q ě 0. A
a2
a1 b1
Demostración.
75
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
X ´1 pBq P A. (4.4)
X ´1 pAq P A @A P C. (4.5)
Proposición 4.9. Dada X “ pX1 , X2 q : pΩ, Aq Ñ pR2 , BpR2 qq es una variable aleatoria
bidimensional si y sólo si Xi (con i “ 1, 2) son variables aleatorias unidimensionales.
76
4 .1 Fu n c i ó n d e d i s t r i b u c i ó n e n R2
not.
FPX pa1 , a2 q “ FX pa1 , a2 q “ PX pp´∞, a1 s ˆ p´∞, a2 sq
` (˘
“ PX px1 , x2 q P R2 | x1 ď a1 & x2 ď a2 . (4.7)
Definición 4.11 (Variable aleatoria bidimensional discreta). Dada una variable aleatoria
X “ pX1 , X2 q se dice que es de tipo discreto si el rango de valores de X es un conjunto de
R2 finito o numerable.
Si denotamos por tpan , bn qunPN a los valores de X “ pX1 , X2 q, a la función
Pptan , bn qu “ PpX1 “ an , X2 “ bn q
“ FX pan , bn q ´ FX pa´
n , bn q ´ FX pan , bn q ` FX pan , bn q
´ ´ ´
(4.8)
77
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Ejemplo. Dada la función de masa Ppt0, 0uq “ Ppt0, 1uq “ Ppt1, 0uq “ Ppt1, 1uq “ 1{4, la
función de distribución asociada es
$
’
’0 px, yq P R1
’
’
’
’
& {4 px, yq P R2
’1
04/12/2012 Definición 4.12 (Función de densidad). Una función f : R2 Ñ R se dice que es una
función de densidad en R2 si se verifica
a) @x, y P R f px, yq ě 0.
Z
b) f px, yq dx dy “ 1 (integral en el sentido Riemann).
R2
Observaciones.
F : R2 Ñ R Zx Zy
px, yq ÞÑ Fpx, yq “ f pu, vq dv du (4.10)
´∞ ´∞
∂2 Fpx, yq ∂2 Fpx, yq
“ “ f px, yq. (4.11)
∂x ∂y ∂y ∂x
78
4.2 D i s t r i b u c i o n e s m a r g i na l e s y c o n d i c i o na da s
79
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Ejemplo.
x1
x2 0 1 2 3 PpX2 “ x2 q
1 0 3{8 3{8 0 6{8
Proposición 4.16. Sea X “ pX1 , X2 q una variable aleatoria bidimensional continua con
función de densidad f . Entonces X1 y X2 son continuas y sus funciones de densidad
vienen dadas por
Z Z
f X1 px1 q “ f X px1 , x2 q dx2 & f X2 px2 q “ f X px1 , x2 q dx1 . (4.16)
R R
Demostración.
Z x1 Z `∞
FX1 px1 q “ FX px1 , ∞q “ f px1 , x2 q dx1 dx2
´∞ ´∞
Z x1 Z `∞ Z x1
“ dx1 f px1 , x2 q dx2 “ f X1 px1 q dx1
´∞ ´∞ ´∞
R
donde f X1 px1 q “ R f px1 , x2 q dx2 .
Ejemplo. Sea X “ pX1 , X2 q una variable aleatoria bidimensional cuya función de densidad
viene dada por #
2 0 ă x1 ă x2 ă 1 A
f px1 , x2 q “
0 resto
1
De manera que X ” VpAq, donde los soportes son CX1 ,X2 “ A y
por otro lado CX1 “ p0, 1q “ CX2 . Se pide calcular las distribuciones
1
marginales.
$
Z &0
’ x1 R p0, 1q #
Z1 0 x1 R p0, 1q
f X1 px1 q “ f px1 , x2 q dx2 “ “
R ’
% 2 dx2 x1 P p0, 1q 2 p1 ´ x1 q x1 P p0, 1q
x1
$ #
&0 x2 R p0, 1q
0 x2 R p0, 1q
Z x2
f X2 px2 q “ “
% 2 dx1 x2 P p0, 1q 2 x2 x2 P p0, 1q
0
80
4.2 D i s t r i b u c i o n e s m a r g i na l e s y c o n d i c i o na da s
Proposición 4.18. Sea X “ pX1 , X2 q una variable aleatoria bidimensional discreta y sea
x1 un valor de la variable aleatoria X1 de forma que PpX1 “ x1 q “ Pptx1 uq ą 0. Entonces
la función de probabilidad de la variable aleatoria X2 condicionada por el valor x1 (fijo)
de la variable aleatoria X1 viene dada por
PpX1 “ x1 , X2 “ x2 q
PX2 | X1 “x1 pX2 “ x2 | X1 “ x1 q “ . (4.18)
PpX1 “ x1 q
Demostración. Sea x1 un valor de X1 con PpX1 “ x1 q ą 0. Entonces,
FX px1 , x2 q ´ FX px1 ´ h, x2 q
Fpx2 | x1 q “ lim
hÑ0 FX1 px1 q ´ FX2 px1 ´ hq
con x1 fijo. Y esto nos queda igual a
∑ x1 ďx2 PpX1 “ x1 , X2 “ x21 q PpX1 “ x1 , X2 “ x21 q
“ lim 2 “∑ .
hÑ0 PpX1 “ x1 q x1 ďx
PpX1 “ x1 q
2 2
Demostración.
FX px1 , x2 q ´ FX px1 ´ h, x2 q
Fpx2 | x1 q “ lim
hÑ0 FX1 px1 q ´ FX1 px1 ´ hq
R x 2 `R x 1 ˘ R x2 `R x1 ´h ˘
´∞ ´∞ f X pu, vq du dv ´ ´∞ ´∞ f X pu, vq du dv
“ lim R x1 R x1 ´h
hÑ0
´∞ f X2 puq du ´ ´∞ f X2 puq du
R x2
x¨ f X pa, vq dv Z x2 f X px1 , vq
“ lim ´∞
“ dv
hÑ0 h ¨ f X pbq ´∞ f X1 px1 q
81
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
f X px1 , x2 q
y por lo tanto f px2 | x1 q “
f X1 px1 q
es la función de densidad asociada a la función de distribución Fpx2 | x1 q y es la que se
denomina función de X2 condicionada por el valor x1 de X1 .
Demostración.
“ ∑ PX1 pX1 “ x11 q ¨ ∑ PX2 pX2 “ x21 q “ FX1 px1 q ¨ FX2 px2 q.
x11 ďx1 x21 ďx2
11/12/2012 Proposición 4.22. Dadas las variables aleatorias unidimensionales X1 y X2 con función
de densidad f X1 y f X2 respectivamente y la variable aleatoria bidimensional X “ pX1 , X2 q
con función de densidad f X px1 , x2 q, se dice que X1 y X2 son independientes si y sólo si
82
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
x1
x2 ´1 0 1
PpX1 “ kq ùñ 5{12, 2{12, 5{12
´2 1{6 1{12 1{6
PpX2 “ rq ùñ 5{12, 5{12, 2{12
1 1{6 1{12 1{6
2 1{12 0 1{12
83
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Como qpX1 , X2 q “ pq1 pX1 , X2 q, q2 pX1 , X2 qq “ p|X1 |, X22 q y el soporte de la variable aleatoria
X es CX “ tpx1 , x2 q | x1 P t´1, 0, 1u, x2 P t´2, 1, 2uu, se tiene que
84
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
Ejemplo. Sea X “ pX1 , X2 q una variable aleatoria uniforme con soporte en CX “ p0, 1q ˆ
p0, 1q, es decir, X ” VpCX q. Y la variable aleatoria Y “ pY1 , Y2 q que viene dada por
Y1 “ g1 pX1 , X2 q “ X1 ` X2 ,
Y2 “ g2 pX1 , X2 q “ X1 ´ X2 .
Y1 `Y2 Y1 ´Y2
Despejando llegamos a que X1 “ “ h1 pY 11 , Y12 q y también X2 “ 2 “ h2 pY1 , Y2 q.
2
{2 {2
Comprobando el jacobiano vemos que es |J| “ 1{2 ´1{2 “ ´1{2 ‰ 0.De esta manera, como
conocemos la función de densidad de X:
#
1 px1 , x2 q P p0, 1q ˆ p0, 1q
f X px1 , x2 q “
0 px1 , x2 q R p0, 1q ˆ p0, 1q
podemos calcular CY y f Y :
CY “ gpCX q “ gpp0, 1q ˆ p0, 1qq “ tpx, yq | 0 ă y1 ` y2 ă 2 & 0 ă y1 ´ y2 ă 2u
# ` y `y y ´y ˘ #
1
f X 1 2 2 , 1 2 2 ¨ 21 py1 , y2 q P CY py1 , y2 q P CY
f Y py1 , y2 q “ “ 2
0 resto 0 resto
gpCX q “ CY
De manera gráfica, CX y CY quedarían
CX
así:
Observación (Pbm. 13). Sea X “ pX1 , X2 q una variable aleatoria continua con función 13/12/2012
de densidad f px1 , x2 q y sea Y1 “ g1 pX1 , X2 q, Y2 “ g2 pX1 , X2 q una transformación de R2
en R2 . Supongamos que la transformación g “ pg1 , g2 q tiene un número finito k de
inversas. Supongamos además que existe una partición de R2 , tAi ui“1,...,k , de forma que
la transformación g de Ai en R2 es biyectiva y la inversa viene dada por1
pi pi
X1 “ h1 pY1 , Y2 q & X2 “ h2 pY1 , Y2 q i “ 1, . . . , k.
Si suponemos que las derivadas parciales son continuas y además el jacobiano (rango
de la transformación) es distinto de cero
pi
∂h1 pY1 ,Y2 q ∂hpi1 pY1 ,Y2 q
∂Y ∂Y2
|Ji | “ pi 1 pi
‰ 0,
∂h 2 pY1 ,Y2 q ∂h 2 pY1 ,Y2 q
∂Y1 ∂Y2
85
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Observaciones.
k “ 1, ` “ 0 ùñ ErX1 s
µ “ pµ1 , µ2 q “ pErX1 s, ErX2 sq ” vector de medias de la
k “ 0, ` “ 1 ùñ ErX2 s variable aleatoria pX1 , X2 q
Definición 4.27 (Momento respecto de la media). Se denomina momento central o
momento respecto de la media de órdenes pk, `q de la variable aleatoria bidimensional
pX1 , X2 q a la esperanza de la variable aleatoria gpX1 , X2 q “ pX1 ´ α1,0 qk ¨ pX1 ´ α0,1 q` y se
denotará mediante “ ‰
µk` “ E pX1 ´ α1,0 qk ¨ pX1 ´ α0,1 q` . (4.27)
Observaciones (Covarianzas).
a) Si k “ 2 y ` “ 0, entonces µ2,0 “ VarrX1 s.
Si k “ 0 y ` “ 2, entonces µ0,2 “ VarrX2 s.
Si k “ 1 y ` “ 1, entonces µ1,1 “ ErpX1 ´ α1,0 q ¨ pX2 ´ α0,1 qs “ covarianza entre X1 y
X2 , que la representaremos por CovpX1 , X2 q.
b) A la matriz ˆ ˙
VarrX1 s CovpX1 , X2 q
ΣpXq “
CovpX1 , X2 q VarrX2 s
se la denomina matriz de varianzas y covarianzas de la variable aleatoria X.
86
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
Demostración.
„n „´ n „n ¯ „´ n 17/12/2012
2 n ¯2
Var ∑ Xi “ E ∑ Xi ´ E ∑ Xi “ E ∑ Xi ´ ∑ ErXi s
i“1 i“1 i“1 i“1 i“1
y como la esperanza es un operador lineal
„´ n ¯2
“ E ∑ Xi ´ ErXi s
i“1
„n
“` ˘` “ ‰˘‰
“ E ∑ pXi ´ ErXi sq ` ∑ E Xi ´ ErXi s X j ´ E X j
2
i“1 i‰j
“ n ‰ “ ‰ “ “ ‰‰
“ ∑ E pXi ´ ErXi sq2 ` 2 ∑ E Xi ´ ErXi s E X j ´ E X j
i“1 iăj
n ` ˘
“ ∑ VarrXi s ` 2 ∑ Cov Xi , X j .
i“1 iăj
87
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Observaciones.
“ ‰ “ ‰
a) ϕ X pt, 0q “ E eitX1 “ ϕ X1 ptq, ϕ X p0, uq “ E eiuX2 “ ϕ X2 puq.
ˆ k`` ˙
1 ∂
b) αk` “ k`` ϕ X p0, 0q .
i ∂tk ∂u`
c) Si X1 y X2 son independientes, entonces ϕ X1 `X2 ptq “ ϕ X1 ptq ¨ ϕ X2 ptq.
Demostración.
“ ‰ Z itpx `x q
ϕ X1 `X2 ptq “ E eitpX1 `X2 q “ e 1 2 f X px1 , x2 q dx1 dx2
R2
Z
“ eitx1 eitx2 f X1 px1 q f X2 px2 q dx1 dx2
R2
Z
“ ϕ X2 ptq eitx1 f X1 px1 q dx1 “ ϕ X2 ptq ¨ ϕ X1 ptq.
R
88
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
X1 ` X2 ” γpa, p1 ` p2 q.
1 x2
f Xi pxq “ ? ¨ e´ 2
2π
` 2 ˘ ` ? ? ˘ `? ˘ ` ? ˘
GX2 pxq “ P Xi ď x “ P ´ x ď Xi ď x “ FXi x ´ FXi ´ x
i
1 `? ˘ 1 ` ? ˘
gX2 pxq “ ? f Xi x ` ? f Xi ´ x
i 2 x 2 x
# $
0 xď0 &0 xď0
“ “ 1
x x 1 2
?1 e´ 2 ` ?1 e´ 2 xą0 % p 2 q1 x´ 12 e´ 12 x x ą 0
2 2πx 2 2πx Γp 2 q
Su función de densidad $
&0
’ xď0
f pxq “ 1 ´ 12 x n2 ´1
n e x xą0
’
%
2 n{2
Γp 2 q
la media
“ ‰ “ ‰
E χ2n “ E γpa “ 21 , p “ n2 q “ n,
y la varianza
“ ‰ “ ‰ p
Var χ2n “ Var γpa “ 12 , p “ n2 q “ 2 “ 2n.
a
Y de esta manera se define la distribución chi (o ji) cuadrado, χ2 , con n grados de libertad
89
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
0.4 n“2
n“3
0.3 n
n“4
χ2n ” ∑ Xi2 n“5
i“1
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
Proposición 4.31. Sea pX, Yq una variable bidimensional con función de densidad
f X,Y px, yq y sea x P CX . Entonces se tiene que
Demostración.
„Z Z ˆZ ˙
ErErY | Xss “ E y f py | xq dy “ y ¨ f py | xq dy f X pxq dx
CY CX CY
Z Z Z ˆZ ˙
“ y f px, yq dy dx “ y f px, yq dx dy
CX CY CY CX
Z
“ y f Y pyq dy “ ErYs.
CY
Definición 4.32 (Varianza condicionada). Sea pX, Yq una variable aleatoria bidimensional.
Se denomina varianza condicionada de Y dado el valor x P CX de la variable aleatoria X a
la expresión
$Z
’ 2
& py ´ ErY | X “ xsq ¨ f py | xq dy
’ (continua)
CY
VarrY | X “ xs “ (4.32)
’
’
% ∑ py ´ ErY | X “ xsq2 ¨ PpY “ y | X “ xq (discreta)
yPCY
90
4 .4 Re g r e s i ó n y c o r r e l ac i ó n
Proposición 4.33. “ ‰
E VarrY | Xs ` VarrErY | Xss “ VarrYs. (4.33)
Demostración.
“ “ ‰ ‰
ErVarrY | Xss “ E E Y 2 | X ´ ErY | Xs2
“ “ ‰‰ “ ‰ “ ‰ ” ı
“ E E Y 2 | X ´ E ErY | Xs2 “ E Y 2 ´ E ErY | Xs2
ahora, por otro lado,
“ ‰ “ ‰2
VarrErY | Xss “ E ErY | Xs2 ´ E ErY | Xs
“ ‰
“ E ErY | Xs2 ´ ErYs2
∂ “ ‰ “ ‰
E pY ´ aX ´ bq2 “ 2a E X 2 ´ 2 ErX Ys ` 2b ErXs “ 0,
∂a
∂ “ ‰
E pY ´ aX ´ bq2 “ 2b ´ 2 ErYs ` 2a ErXs “ 0.
∂b
Y con todo esto, nos ponemos“a obtener
‰ a y b. “ ‰
b “ ErYs ´ a ErXs ùñ a “ E X 2 ` ErYs ErXs ´ a E X 2 “ ErX Ys y también obtene-
` “ ‰ ˘
mos que a E X 2 ´ ErXs2 “ ErX Ys ´ ErXs ErYs. De manera que
CovpX, Yq CovpX, Yq
a“ & b “ ErYs ´ ErXs.
VarrXs VarrXs
Y con todo esto, la recta que nos queda al aproximar Y « aX ` b, cuyo “error” es mínimo,
es de la forma
CovpX, Yq CovpX, Yq
y“ ¨ x ` ErYs ´ ErXs. (4.34)
VarrXs VarrXs
91
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Definición 4.34 (Recta de regresión). Con todo lo anterior, definimos la recta de regresión
de Y sobre X como
CovpX, Yq
y ´ ErYs “ px ´ ErXsq, (4.35)
VarrXs
y, análogamente, la recta de regresión de X sobre Y como
CovpX, Yq
x ´ ErXs “ py ´ ErYsq. (4.36)
VarrYs
respectivamente. Que de nuevo, resultan ser una variable aleatoria, cuya varianza es
„ ˆ ˙
“ ‰ CovpX, Yq
Var eY | X “ Var Y ´ ErYs ` pX ´ ErXsq
VarrXs
ˆ ˙
“ 2
‰ CovpX, Yq 2 “ ‰
“ E pY ´ ErYsq ` E pX ´ ErXsq2
VarrXs
CovpX, Yq “ ‰
´2¨ E pX ´ ErXsq pY ´ ErYsq
VarrXs
ˆ ˙2
CovpX, Yq CovpX, Yq
“ VarrYs ` VarrXs ´ 2 ¨
VarrXs VarrXs
ˆ ˙2
CovpX, Yq CovpX, Yq
“ VarrYs ´ “ VarrYs ´ VarrYs
VarrXs VarrXs VarrYs
ˆ ˙
CovpX, Yq2
“ VarrYs ¨ 1 ´ .
VarrXs VarrYs
CovpX, Yq
ρ“ a .
VarrXs VarrYs
“ ‰
Observaciones. Var eY | X “ VarrYs ¨ p1 ´ ρ2 q, porque se me pone en la punta del rabo.
92
4 .4 Re g r e s i ó n y c o r r e l ac i ó n
b) ´1 ď ρ ď 1.
“ ‰
Demostración. Var eY | X “ VarrYs ¨ p1 ´ ρ2 q ě 0 ùñ 1 ´ ρ2 ě 0 lo que obliga a que
´1 ď ρ ď 1.
c) Si |ρ| “ 1, entonces las variables X e Y están en dependencia funcional y las dos
rectas de regresión coinciden.
“ ‰
Demostración. |ρ| “ 1 ùñ Var eY | X “ 0 ùñ Y “ ErYs ` CovpX,Yq
VarrXs pX ´ ErXsq con
probabilidad 1.
a
CovpX, Yq VarrYs CovpX, Yq
Y ´ ErYs “ pX ´ ErXsq “ a a
VarrXs VarrXs VarrYs VarrXs
a
VarrYs
“ ρ¨ a pX ´ ErXsq
VarrXs
CovpX, Yq pX ´ ErXsq
X ´ ErXs “ pY ´ ErYsq ùñ Y ´ ErYs “ VarrYs “
VarrYs CovpX, Yq
?
VarrXs a
VarrYs 1 VarrYs
“ pX ´ ErXsq CovpX,Yq “ ¨a pX ´ ErXsq
? ρ VarrXs
VarrYs¨VarrYs
1
Y si |ρ| “ 1 ùñ ρ “ ρ y por lo tanto las dos rectas coinciden.
d) La recta de X sobre Y es la que tiene mayor pendiente en valor absoluto.
?
VarrYs
Demostración. Si ρ ¨ ? ą 0 ùñ ρ ą 0 ùñ ρ1 ą 1 ą ρ ùñ la recta de
VarrXs
regresión de X sobre Y tiene mayor pendiente.
?
VarrYs
Si ρ ¨ ? ă 0 ùñ ρ ă 0 ùñ 1ρ ă ´1 ă ρ ùñ la recta de regresión de Y
VarrXs
sobre X es mayor que la de X sobre Y.
08/01/2013
e) Las rectas de regresión se cortan en pErXs, ErYsq con |ρ| ‰ 1.
Demostración. Habíamos visto que la recta de regresión de Y sobre X y la de X
sobre Y son, respectivamente
d d
VarrYs 1 VarrYs
y ´ ErYs “ ρ px ´ ErXsq & y ´ ErYs “ px ´ ErXsq
VarrXs ρ VarrXs
1
ρ px ´ ErXsq “ px ´ ErXsq
ρ
ˆ ˙
1
ρ´ ¨ px ´ ErXsq “ 0 ùñ x “ ErXs ùñ y “ ErYs.
ρ
93
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
y ahora lo que tenemos que hacer es minimizar esta función (con x “ cte. y gpxq “ a), de
manera que la función a minimizar queda
Z
py ´ aq2 ¨ f px | yq dy “ Ni puta idea de lo que hace aquí, pero concluimos que
ErY | X “ xs “ a
De esta manera los errores al aproximar por la curva de regresión son Y ´ ErY | Xs y
X ´ ErX | Ys respectivamente. Veamos ahora su varianza:
ˆ ˙
VarrErY | Xss
VarrY ´ ErY | Xss “ VarrYs 1 ´
VarrYs
“ ‰
“ E pY ´ ErY | Xsq2 ´ loooooooooooooooooooon
ErY ´ ErY | Xss2
pErYs´ErYsq2 “0
“ ‰
“ E pY ´ ErYs ` ErYs ´ ErY | Xsq2
“ ‰ “ ‰
“ E pY ´ ErYsq2 ` E pErYs ´ ErY | Xsq2
` 2 ErpY ´ ErYsq pErYs ´ ErY | Xsqs
” ı
“ VarrYs ´ E pErY | Xs ´ ErYsq2 . . .
“ ...
“ VarrYs ´ VarrErY | Xss
ˆ ˙
VarrErY | Xss
“ VarrYs 1 ´
VarrYs
Definición 4.37 (Razón de correlación). Sean X e Y dos variables aleatorias con VarrXs,
VarrYs ą 0. Se denomina razón de correlación de Y sobre X a las expresiones
VarrErY | Xss VarrYs ´ ErVarrY | Xss ErVarrY | Xss
ηY2 | X “ “ “ 1´ ,
VarrYs VarrYs VarrYs
94
4. 5 Di s t r i b u c i o n e s b i d i m e n s i o na l e s n o ta b l e s
y el de X sobre Y (análogo)
2 VarrErX | Yss
ηX |Y “ .
VarrXs
2
Teorema 4.38. Se comprueba que 0 ď ηY2 | X , ηX | Y ď 1.
Demostración.
ˆ ˙
VarrErY | Xss ` ˘
VarrY ´ ErY | Xss “ VarrYs 1 ´ “ VarrYs 1 ´ ηY2 | X ě 0,
VarrYs
y de esta manera
0 ď ηY2 | X ď 1 (análogo para el otro caso).
Observaciones.
95
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
ˆ b ˙
σX
N µ X ` ρ py ´ µY q , σX 1 ´ ρ2
σY
gpyq “ ErX | Y “ ys “ µ X ` ρ py ´ µY q
la función característica
´ 1` 2 2 ˘¯
ϕ X,Y pu, vq “ exp iuµ X ` ivµY ´ u σX ` 2ρuvσX σY ` v2 σX2 ,
2
la esperanza
„ 2
1 ∂
ErX Ys “ 2 ϕ X,Y p0, 0q “ ρ ¨ σX σY ¨ µ X µY ,
i ∂u ∂v
la covarianza
CovpX, Yq “ ErX Ys ´ ErXs ¨ ErYs “ ρ ¨ σX σY ` µ X µY ´ µ X µY “ ρ ¨ σX σY ,
el coeficiente de correlación
CovpX, Yq ρ ¨ σX σY
ρ“ “ “ ρ,
σX σY σX σY
y la matriz de varianzas y covarianzas 1
ˆ ˙
σX2 ρ ¨ σX σY
ΣpX, Yq “
ρ ¨ σX σY σY2 0.5
2
0
´2 0
´1 0
1
2 ´2
96
4.6 E j e rc i c i o s
4.6 Ejercicios
Hoja 4 – Variables
aleatorias
multidimensionales
1.- Estudiar si
½
1, si x + 2y ≥ 1,
F (x, y) =
0, si x + 2y < 1,
3.- Sea (X, Y ) una variable aleatoria 2-dimensional con distribución uniforme
sobre el recinto
n x o
C = (x, y) ∈ IR2 : y ≤ , x ≤ 3, y ≥ 0 .
3
Calcular la función de densidad conjunta de (X, Y ), la función de distribución
conjunta de (X, Y ) y las distribuciones marginales de X e Y .
calcular:
(4.a) Las esperanzas de X e Y .
15
97
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Determinar la distribución de η.
Calcular:
(9.a) La función de densidad conjunta.
(9.b) La función de densidad marginal de Y .
(9.c) La función de densidad de X/Y = y.
16
98
4.6 E j e rc i c i o s
10.- Se considera la variable aleatoria 2-dimensional (ξ, η), donde ξ sigue una
distribución Poisson de parámetro λ y η/ξ = x sigue una distribución Normal
de media x2 − 2x y varianza σ 2 . Calcular la esperanza de η y la matriz de
varianza-covarianzas.
13.- Sea (X1 , X2 ) una variable aleatoria 2-dimensional con función de densi-
dad
½
1, si 0 ≤ x1 ≤ 1, 0 ≤ x2 ≤ 1,
f (x1 , x2 ) =
0, en caso contrario.
Se considera la transformación (Y1 , Y2 ), donde Y1 = max{X1 , X2 } e Y2 =
min{X1 , X2 }. Calcular la función de densidad de (Y1 , Y2 ).
14.- Sea (X, Y ) una variable aleatoria 2-dimensional con función de densidad
uniforme en el recinto
© ª
C = (x, y) ∈ IR2 : 0 ≤ x ≤ 1, 0 ≤ y ≤ 1 .
Calcular las distribuciones de Z y (Z, T ), donde Z = X + Y y T = X − Y .
15.- Sea (ξ1 , ξ2 ) una variable aleatoria 2-dimensional con función de densidad
½
4xy, si 0 < x < 1, 0 < y < 1,
f (x, y) =
0, en caso contrario.
Hallar la distribución conjunta de (η1 , η2 ), donde η1 = ξ1 +ξ2 y η2 = max{ξ1 , ξ2 }.
17
99
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
20.- Sea (X, Y ) una variable aleatoria 2-dimensional con función de densidad
½ 2 −ky
k e , si 0 < x < y,
f (x, y) =
0, en caso contrario.
18
100
4.6 E j e rc i c i o s
19
101
5 Convergencias de variables aleatorias
pero la convergencia puntual puede resultar demasiado estricta. Veamos otros tipos de
convergencia.
Definición 5.1 (Convergencia casi segura). Sea tXn unPN una sucesión de variables aleato-
rias. Se dice que tXn unPN converge casi seguramente a la variable aleatoria X : pΩ, A, Pq Ñ
pR, BpRqq si
` (˘
P ω P Ω | lim Xn pωq “ Xpωq “ 1, o, equivalentemente, (5.1)
n
` (˘
P ω P Ω | lim Xn pωq ‰ ω “ 0 (5.2)
n
c.s.
y lo expresaremos como Xn ÝÝÑ X.
Observaciones.
(
a) ω P Ω | lim Xn pωq “ Xpωq ⊂ A.
nÑ∞
Demostración. Tenemos que ω P A si y sólo si @k P N D m P N, @n ě m se tiene
que | Xn pωq ´ Xpωq| ă 1k , que ocurre si y sólo si
∞ !
∞ [
\ ∞ \
1)
ωP ω P Ω | | Xn pωq ´ Xpωq| ă P A.
k“1 m“1 n“1
k
loooooooooooooooooooooooooooon
p| Xn ´X |q´1 p´∞, 1k qPA
103
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
´[
∞ ¯
c.s.
c) Xn ÝÝÑ X ðñ @ε ą 0 lim P tω P Ω | | Xm pωq ´ Xpωq| ě 0u “ 0 y, de
nÑ∞
m“n
´\
∞ ¯
igual manera, si y sólo si @ε ą 0 lim P tω P Ω | | Xm pωq ´ Xpωq| ă εu “ 1.
nÑ∞
m“n
c.s. c.s.
d) Si Xn ÝÝÑ X y g : R Ñ R continua, entonces gpXn q ÝÝÑ gpXq.
e) +
c.s.
Xn ÝÝÑ X c.s. c.s.
c.s.
ùñ Xn ` Yn ÝÝÑ X ` Y y también Xn ¨ YN ÝÝÑ X ¨ Y
Yn ÝÝÑ Y
Definición 5.2 (Convergencia en probabilidad). Sea tXn unPN una sucesión de variables
aleatorias y sea X : pΩ, A, Pq Ñ pR, BpRqq. Se dice que tXn unPN converge en probabilidad
a la variable aleatoria X si se verifica
P.
Lo expresaremos como Xn ÝÑ X.
14/01/2013
c) tXn unPN una sucesión de variables aleatorias con ErXn s ÝÝÝÑ a y VarrXn s ÝÝÝÑ 0.
nÑ∞ nÑ∞
P.
Entonces Xn ÝÑ X con X | PpX “ aq “ 1.
Demostración.
“ ‰ “ ‰
E pXn ´ aq2 E Xn2 ´ 2 aXn ` a2
@ε ą 0 Ppt| Xn ´ a| ě εuq ď “
ε2 ε2
2
VarrXn s ` ErXn s ´ 2 a ErXn s ` a2
“ ,
ε2
104
5 .1 Ti p o s d e c o n v e r g e n c i a s
P. c.s.
d) Si Xn ÝÑ X ùñ
Xn ÝÝÑ X.
1
Demostración. Un contraejemplo. Sea P tal que PpXn “ 0q “ 1 ´ n y PpXn ‰ ˘1q “
1
2n , entonces
´ 1¯ ´ 1 ¯ ´ 1 ¯
ErXn s “ 0 1 ´ `1 ´1 “ 0,
n 2n 2n
“ ‰ ´ 1 ¯ ´ 1 ¯ ´ 1 ¯ 1
VarrXn s “ E Xn2 ´ ErXn s2 “ 02 1 ´ ` 12 ` p´1q2 “ ,
n 2n 2n n
y, llegando al límite,
P.
VarrXn s ÝÝÝÑ 0 y si aplicamos (c) Xn ÝÑ X X | PpX “ 0q “ 1
nÑ∞
Observaciones.
105
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
m.c. m.c.
a) Xn ÝÝÝÑ X ùñ pXn ÝÝÝÑ Y ðñ X “ Yq.
c.s.
m.c. P.
b) Xn ÝÝÝÑ X ùñ Xn ÝÑ X.
Demostración.
“ ‰
E pXn ´ Xq2
@ε ą 0 Pptω P Ω | | Xn pωq ´ Xpωq| ě εuq ď ÝÝÝÑ 0
ε2 nÑ∞
P.
y de esta manera Xn ÝÑ X.
c.s. m.c.
c) Xn ÝÝÑ X ùñ
Xn ÝÝÝÑ X.
Demostración. Sea pΩ, A, Pq un espacio de probabilidad donde Ω “ p0, 1q, A es
BpRq restringida a p0, 1q y Ppa, bq “ b ´ a. Sea tXn unPN de manera que
# ` ˘
0 ω P 0, 1 ´ n1
Xn pωq “
1 resto
entonces
´! )¯
c.s.
ω P Ω | lim Xn pωq “ 0 “ Ppp0, 1qq “ 1 ùñ Xn ÝÝÑ X
P
nÑ∞
“ ‰ ` ` ˘(˘
E pXn ´ Xq2 “ 02 P ω P Ω | ω P 0, 1 ´ n1
` ` ˘(˘
` n2 P ω P Ω | ω P 1 ´ n1 , 1
1
“ n2 ¨ “ n ÝÝÝÑ ∞ ùñ no converge en media cuadrática.
n nÑ∞
Definición 5.4 (Convergencia en ley). Sea tXn unPN una sucesión de variables alea-
torias. Se dice que tXn unPN converge en ley o distribución hacia la variable aleatoria
X : pΩ, A, Pq Ñ pR, BpRqq si
Observaciones.
106
5 .1 Ti p o s d e c o n v e r g e n c i a s
e) Sea tϕn unPN la sucesión de funciones características asociadas a tXn unPN donde ϕn
está a sociada a Xn y sea
ϕptq “ lim ϕn ptq.
n
L.
Entonces si ϕ es continua en t “ 0 existe una variable aleatoria X tal que Xn ÝÑ X
y ϕ es la función característica de X.
P. L.
Teorema 5.5. Si Xn ÝÑ X ùñ Xn ÝÑ X.
y por lo tanto
L. P. 15/01/2013
Teorema 5.6. Sea tXn u Xn ÝÑ X pX | PpX “ cq “ 1q ùñ Xn ÝÑ c.
Demostración.
# #
0 xăc FX pxq “ 0 xăc
FX pxq “ lim FXn pxq “
1 xěc n FX pxq “ 1 xěc
107
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
1
PpX “ 0, Xn “ 1q “ PpX “ 1, Xn “ 0q “ .
2
L. P.
comprobar si Xn ÝÑ X y Xn ÝÑ P.
Solución.
$
’
’ xă0 0
&
L.
X FXn pxq “ 0 ď x ă 1 1{2 ÝÝÝÑ FX pxq ùñ Xn ÝÑ X
’
’ nÑ∞
%
Xn 0 1 PpXn “ kq Xě1 1
$
0 0 1{2 1{2 ’
&0
’ xă0
1 1{2 0 1{2 FX pxq “ 1{2 0 ď x ă 1
’
’
%1 xě1
108
5. 2 Le y e s d e l o s g r a n d e s n ú m e ro s
Teorema 5.8 (L.D.G.N. de Tchebysheff). Sea tXn unPN una sucesión de variables aleatorias
independientes con VarrXm s ď M ă ∞ @m. Entonces tXm umPN verifica la L.D.G.N. con
n
Bn “ n y An “ ∑i“1 ErXi s, es decir,
´ „n n ¯
Sn ´ ErSn s P.
ÝÑ 0 ErSn s “ E ∑ Xi “ ∑ ErXi s “ An . (5.8)
n i“1 i“1
Demostración.
´ ¯
ns
@ε ą 0 P Sn ´ErS
n ě ε “ Pp|Sn ´ ErSn s| ě n εq
´ nε ¯ σ2
“ P |Sn ´ ErSn s| ě σ ď 2 2
σ n ε
VarrSn s ∑i VarrXi s nM M
“ “ ď 2 2 “
n2 ε2 n2 ε2 n ε nε
y, haciendo el límite,
´ ¯ M
ns
@ε ą 0 lim P Sn ´ErS
n ě ε ď lim “0
n n nε
Sn ´ ErSn s P.
ùñ ÝÑ 0.
n
Teorema
“ 1 5.9 (L.D.G.N.
‰ de Markov). Sea tXn unPN de variables aleatorias con ErXn s ă ∞
n s
y Var n ∑i“1 Xi “ X ÝÝÝÑ 0, de esta manera
nÑ∞
Sn ´ ErSn s P.
ÝÑ 0. (5.9)
n
Demostración.
´ ¯ VarrS s 1 s
ns n
@ε ą 0 P Sn ´ErS
n ě ε ď 2 2
“ 2 ¨ X,
“1 ‰ n ε ε
1
dado que n2
VarrSn s “ Var n ∑ Xi . Por otro lado
´ ¯ 1
ns
@ε ą 0 lim P Sn ´ErS
n ě ε ď 2 lim X s“0
n ε n
Sn ´ ErSn s P.
s ÝÑ
ùñ “X 0
n
Ejemplo. Tenemos una sucesión tXn u, Xn “ Np0, 1q @n y además sabemos que
#
` ˘ ρ si j “ i ` 1 ó j “ i ´ 1
Cov Xi , X j “
0 resto
109
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
n´1
“ n`2 ∑ CovpXi , Xi`1 q “ n ` 2 pn ´ 1q ρ,
i“1
”1 ı 1 1
VarrXs “ Var Sn “ 2 VarrSn s “ 2 pn ` 2 pn ´ 1q ρq ÝÝÝÑ 0
n n n nÑ1
Sn ´ ErSn s Sn P.
“ ÝÑ 0
n n
Teorema 5.10 (L.D.G.N. de Khintchine). Sea tXn u una sucesión de variables aleatorias
P.
independientes idénticamente distribuidas con ErXn s “ µ ă ∞. Entonces Snn ÝÑ µ, o lo
que es lo mismo ˆ n ˙
1 n P. 1 P.
∑ Xi “ X ÝÑ µ
n i“1
s ∑ Xi “ X ÝÑ µ .
n i“1
s (5.10)
Demostración.
`t˘ n `t˘ ´ ` ˘¯ n
ϕ Sn ptq “ ϕSn n “ ∏ ϕ Xi n “ ϕ Xi nt
n
i“1
Optq
Y además, como limtÑ0 t “ 0, entonces1
ϕ X1 ptq “ ϕ X1 p0q ` ϕ1X1 p0q ¨ t ` Optq “ 1 ` itµ ` Optq
de manera que nos queda
ˆ ˙
t `t˘ n
ϕ Sn ptq “ 1 ` iµ ` O n
n n
»˜ ¸ n fi itµ`n Opt{nq n
n
itµ`n Opt{nq
– 1 fl
“ 1` n
itµ`n Opt{nq
como soy un fracaso y un poco subnormal y he hecho esto sin saber por qué lo hacía, sin
hacer un puto comentario sobre ello, llevando a mis alumnos al desconocimiento, pues
ahora concluimos lo siguiente
` ˘
limnÑ∞ itµ`n Opt{nq
lim ϕ Sn ptq “ e “ eitµ ” ϕ X ptq X | PpX “ µq “ 1
nÑ∞ n
y de esta manera
Sn P.
ÝÑ µ.
n
Ejemplo. Sean tXn u variables aleatorias independientes Bp1, pq ” Xn . Entonces, ¿es verdad
s ÝÑP.
que X p?
Nosotros sabemos que ErXn s “ p ă ∞, luego por el Teorema de Khintchine (5.10)
concluimos que
Sn P. ∑ Xi P.
ÝÑ p ðñ ÝÑ p.
n n
1 Optqes el resto de Lagrange (que el año pasado expresábamos como Ln pt, t0 q) del polinomio de Taylor. En
este caso, Op nt q es el resto de Lagrange de nt en 0, que el año pasado expresaríamos como L2 p nt , 0q.
110
5. 2 Le y e s d e l o s g r a n d e s n ú m e ro s
Teorema 5.12 (L.F.G.N. de Kolmogorov). Sea tXn unPN una sucesión de variables aleatorias
independientes con ErXn s ă ∞ @n. Entonces si
∞
σn2 ` ˘ Sn ´ ErSn s c.s.
∑ n2
ă∞ σn2 “ VarrXn s ùñ
n
ÝÝÑ 0. (5.12)
n“1
Teorema 5.13 (L.F.G.N. de Khintchine). Sea tXn unPN una sucesión de variables aleatorias
independientes idénticamente distribuidas con ErXn s “ µ ă ∞ @n. Entonces
Sn c.s.
ÝÝÑ µ. (5.13)
n
n c.s.
Y nos preguntamos ahora si f n ´ ∑i“1 pi ÝÝÑ 0.
Solución.
#
1 Xi “ 1 1 1 n
Ti “
0 Xi “ 0
ErTi s “ p, VarrTi s “ p p1 ´ pq ď
4
fn “ ∑ Ti
n i“1
∞
VarrTk s 1 ∞ 1
∑ k2 ď ∑ k2 ă ∞
4 k“1
k“1
y por el Teorema L.F.G.N de Kolmogorov (5.12)
Sn ´ ErSn s c.s. Sn 1 c.s.
ÝÝÑ 0 ðñ ´ ErSn s ÝÝÑ 0
n n n
si y sólo si
1 n c.s.
fn ´ ∑
n i“1
pi ÝÝÑ 0. đ
111
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
Sn ´ An P.
ÝÑ 0 (por las leyes débiles)
Bn
Sn ´ An c.s.
ÝÝÑ 0 (por las leyes fuertes)
Bn
y ahora nos preguntamos si puede converger a X una variable aleatoria
¿ Sn ´ An ÝÑL.
X?
Bn
Teorema 5.14 (Tma Central del Límite). Sea tXn unPN una sucesión de variables aleatorias
independientes idénticamentes distribuidas con ErXn s “ µ y VarrXn s “ σ2 , entonces
n „n
∑ Xi ´ E ∑ Xi
i“1 i“1 L.
d „n ÝÑ Np0, 1q, (5.14)
Var ∑ Xi
i“1
n n ˆ ˙
∑i“1 X ´ n µ L. Xi ´ µ L.
y también ? i ÝÑ Np0, 1q ∑ ? ÝÑ Np0, 1q
n σ2 i“1
σ n
` n
˘ ?
n n1 ∑i“1 Xi ´ µ L. s n ´ µq L.
n pX
? ÝÑ Np0, 1q ÝÑ Np0, 1q
σ n σ
Demostración.
n n ´ ¯
ϕ ` Xi?´µ ˘ ptq “ ∏ ϕ Xi?´µ ptq “ ∏ ϕ Xi ´µ t
?
σ n
(5.15)
∑ n n
σ i“1 σ
i“1
Pero por otro lado, tenemos que como ErXi ´ µs “ 0 y VarrXi ´ µs “ VarrXi s “ σ2 , y
Opt2 q
limtÑ0 t2
“ 0, de manera que
1 2
ϕ Xi ´µ ptq “ ϕ Xi ´µ p0q ` ϕ1Xi ´µ p0q ¨ t ` ϕ p0q ¨ t2 ` Opt2 q
2! Xi ´µ
loooooooooooooon
i2 ErpXi ´µq2 s
1 22 2 t2
“ 1`0` ¨ t i σ ` Opt2 q “ 1 ´ ¨ σ2 ` Opt2 q
2 2
lo que implica que, volviendo a la ecuación (5.15),
´ ´ ¯¯n ˆ t2
ˆ´ ¯2 ˙˙n
` ˘ t 2 t
ϕ Xi?´µ ptq “ ϕ Xi ´µ σ?n “ 1 ´ 2 ¨ σ ` O σ ?n
∑ σ n 2σ n
ˆ 2
ˆ´ ¯ ˙˙n
t 2
“ 1´ ` O σ?t n
2n
112
5 .3 Te o r e m a Ce n t r a l d e l Lí m i t e
n
Ejemplo. Sea X ” Bpn, pq tal que X “ ∑i“1 Xi , Xi ” Bp1, pq.
n
X ´ Er∑i“1 Xi s L. X´np L.
a ÝÑ Np0, 1q & a ÝÑ Np0, 1q.
Varr∑ Xi s n p p1 ´ pq
Definición 5.15 (Corrección por continuidad). Sean X1 , ..., Xn variables aleatorias dis-
n
cretas independientes e idénticamente distribuidas y Xn “ ∑i“1 Xi . El Teorema Central
del Límite (5.14) decía que aunque X sea una variable aleatoria discreta su función de
distribución se puede aproximar por la de la distribución normal, que es una distribu-
ción continua. Con el nombre de corrección por continuidad se recoge un procedimiento
para mejorar la calidad de la aproximación que se obtiene cuanto se aproxima una
probabilidad basada en una distribución discreta por una basada en una distribución
continua.
Supondremos, por sencillez, que los posibles valores de la variable aleatoria X son los
enteros.
b Zb
PX pa ď X ď bq “ ∑ PX pX “ xq « a
gpxq dx.
x“a
113
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
a) Z∞ ,
PX pX ě aq « gpxq dx/
/
.
a
Z∞ PX pX ě aq ‰ PX pX ą aq
/
PX pX ą aq « gpxq dx/
-
a
b) PX pX “ xq ‰ 0, y, sin embargo, cuando se calcula con gpxq será uno por ser g1 pxq la
función de densidad de una variable aleatoria continua.
114
5.4 E j e rc i c i o s
5.4 Ejercicios
Hoja 5 – Convergencias
estocásticas
3.- Sea (X, Y ) una variable aleatoria con función de densidad conjunta
½ −1
4 exp{−x/2}, si x > 0, −1 < y < 1,
f (x, y) =
0, en caso contrario.
Se pide:
(3.a) Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e
idénticamente distribuidas con ley L(X). Hallar la distribución de
n
X
Yn = Xi .
i=1
20
115
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
21
116
5.4 E j e rc i c i o s
13.- Una urna contiene diez bolas numeradas del cero al nueve. De la urna
se extraen n bolas con reemplazamiento.
(13.a) Señalar qué dice la ley de los grandes números sobre la aparición de
ceros.
(13.b) Determinar cuántas extracciones será preciso efectuar para que, con
probabilidad 0.95, la frecuencia relativa de aparición de ceros esté com-
prendida entre 0.09 y 0.11.
(13.c) Utilizar el teorema central del lı́mite para calcular la probabilidad
√ de
que, entre
√ los n números elegidos, el ’cinco’ aparezca entre (n − 3 n)/10
y n + 3 n. Particularizar para n = 25 y n = 100.
14.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes donde
Xi tiene función de masa
1
P (Xi = −2) = P (Xi = −1) = P (Xi = 1) = P (Xi = 2) = ,
4i
1
P (Xi = 0) = 1− .
i
Estudiar la convergencia en ley, en probabilidad, en media cuadrática y casi
seguro. Analizar si se cumple la ley fuerte de los grandes números.
22
117
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
15.- Sea ξ una variable aleatoria Uniforme sobre el intervalo (−1/θ, 1/θ). Se
definen las variables aleatorias η = θξ y
−1, si η(ω) ∈ [−1, −1/i),
Xi (ω) = 0, si η(ω) ∈ [−1/i, 1/i),
1, si η(ω) ∈ [1/i, 1).
23
118
Historial
2012–10–23, 19:34 Versión 0.0.1
Primera versión.
Acabado el (Capítulo 1).
2012–10–25, 00:24 Versión 0.0.2
Añadida la (Sección 2.2.1) de los de informática.
Añadido todo hasta la Observación de la (Definición 2.12).
2012–10–25, 12:45 Versión 0.0.3
Añadidos los ejercicios de los (Capítulos 1 y 2).
2012–10–25, 23:41 Versión 0.0.4
Completado todo el (Capítulo 2).
Corregidas las erratas señaladas por Mario.
Añadido todo hasta la Observación del (Teorema 3.4).
2012–10–29, 18:04 Versión 0.0.5
Corregidas varias erratas señaladas por Mario.
2012–11–02, 14:43 Versión 0.0.6
Corregidas más erratas señaladas por Mario.
Cambiado el preámbulo.
Añadido todo hasta el 31/10/2012, hasta el Ejemplo del (Teorema 3.7).
2012–11–06, 19:34 Versión 0.0.7
Se necesita colaboración porque faltan bastantes cosas entre el (Teorema 3.7, página
34) y el (Ejercicio 3.1, página 40).
Por lo demás, añadido todo hasta el día 06/11/2012 (Ejercicio 3.1).
2012–11–07, 17:48 Versión 0.0.8
Repasado todo hasta el (Ejercicio 3.1) con los apuntes de Adolfo.
2012–11–12, 19:00 Versión 0.0.9
Añadido hasta el Ejemplo de la (Definición 3.19).
Añadido hasta la (Proposición 3.28). A falta de muchas cosas que han quedado por
el camino.
2012–11–13, 18:49 Versión 0.0.10
Corregido hasta la (Proposicion 3.26).
Añadido lo del día 13/11/2012 hasta la (Definición 3.33).
119
Histori a l
120
2012–12–19, 00:18 Versión 0.0.23
Añadidas varias cosas, hasta el día 18/12/2012.
Cuando algo falta se indica como .
2012–12–19, 22:02 Versión 0.0.24
Añadido todo hasta el Ejemplo (5) de la (Definición 4.29).
2012–12–20, 16:58 Versión 0.0.25
Sustituidas σ por σ en los títulos de sección.
Añadido todo hasta el día 20/12/2012, hasta las observaciones de la (Defini-
ción 4.36).
2012–12–31, 19:55 Versión 0.0.26
Retoques mínimos a lo largo de todo el documento.
2013–01–04, 18:41 Versión 0.0.27
Corregidos errores varios de Mario.
2013–01–09, 13:19 Versión 0.0.28
Añadido todo hasta el 09/01/2013 (salvo pequeños errores).
2013–01–11, 13:01 Versión 0.0.29
Añadido todo hasta el 10/01/2013.
Corregidos errores varios de Carlos.
2013–01–16, 16:53 Versión 0.0.30
Añadido todo hasta la fecha 15/01/2013, hasta el Ejemplo del (Teorema 5.10).
2013–01–17, 19:38 Versión 0.0.31
Añadido todo hasta la fecha 17/01/2013, hasta el Ejemplo de la (Subsección 5.3.1).
2013–01–18, 22:56 Versión 0.0.32
Cambiado el comando \NewDelimCommand, la fuente caligráfica (\mathcal) con el
paquete \usepackage[cal=dutchcal]{mathalfa} y el operador diferencia (∆).
Retocados algunos títulos de sección.
De nuevo cambio de fuente a Palatino (\usepackage[osf,slantedGreek]{mathpazo}).
2013–01–19, 22:44 Versión 0.0.33
Repasado todo hasta la (Subsección 3.4.4).
2013–01–21, 14:23 Versión 0.1.0
Repasados todos los apuntes, esto es, hasta el (Capítulo 5).
Primera ronda completada.
2013–01–23, 16:49 Versión 0.1.1
Corregidos varios límites.
Corregidas las definiciones de algunas funciones (aligned en vez de align*, para
evitar divisiones).
121
Histori a l
122