Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejercicios resueltos
Curso 2013/14
Índice general
0. Combinatoria 1
2. Probabilidad 13
5. Convergencias estocásticas 81
A. Integrales en R2 99
iii
Combinatoria
0
Ejercicio 0.1.
b. Determinar cuántas letras deberı́a tener el alfabeto para que un millón de perso-
nas puedan ser identificadas mediante tres iniciales.
a. Suponemos que las letras se pueden repetir. Son variaciones con repetición de 2 elementos
tomados entre n. Por lo tanto hay n2 iniciales diferentes.
Ejercicio 0.2. Determinar cuántos números de tres cifras pueden tenerse su se em-
plean sólo cifras impares. Calcular cuántos de estos números son menos que 500.
Tenemos cinco cifras impares. Es una variación con repetición de 3 elementos tomados entre
5. Por tanto tenemos 53 = 125 números.
Los números serán menores que 500 si la primera cifra es 1 o 3. Por tanto, tenemos dos
posibilidades para la primera cifra y 5 para cada una de las siguientes. Por tanto tenemos 2·5·5 =
50 números.
Ejercicio 0.3. Se eligen cinco bolas de entre diez disponibles, siendo ordenadas en
cinco cajas. Determinar de cuántas maneras distintas pueden colocarse.
!n+r≠1"
Para repartir r objetos en n grupos hay r posibles repartos. En este caso r y n son
ambas 5, por lo que el número de repartos es
A B
9 9! 9·8·7·6
= = = 32 · 7 = 63
5 5! · 4! 4·3·2
1
Capı́tulo 0. Combinatoria
es A B
4 4!
1· = =6
2 2! · 2!
Ejercicio 0.5. Se dispone de dos mesas para tres y seis personas. Calcular de cuántas
formas pueden distribuirse nueve invitados.
En cada mesa las posibilidades de colocar a los que se sienten en ellas se pueden calcular
mediante permutaciones circulares. En una permutación circular de n elementos hay (n ≠ 1)!
permutaciones posibles. Por tanto, para cada elección de los invitados tenemos 2 formas de
colocarlos en la mesa de 3 y 5! formas de colocarlos en la mesa de 6.
A B
9
Las formas de escoger qué invitados se ponen en la mesa de 3 y cuáles en la de 6 son .
3
Basta escoger los que se ponen en la mesa de 3, el resto se pondrán en la de 6.
Por tanto, el número de posibilidades de sentar a los invitados es
A B
9
· (2 + 5!) = 84 · (2 + 5!) = 1248
3
qn !n"
Ejercicio 0.6. Demostrar la identidad 2n = i=0 i
Por el teorema del binomio se sabe que
n
A B
ÿ n n≠i i
(a + b) = n
a b
i=0
i
Si tomamos a, b = 1
n
A B n
A B
ÿ n n≠i i ÿ n
2 = (1 + 1) =
n
1 1 =
n
i=0
i i=0
i
Ejercicio 0.7. Calcular de cuántas formas pueden ordenarse las letras de la palabra
‘catarata’.
De cada letra tenemos
c:1 a:4 t:2 r:1
Ejercicio 0.8. Calcular cuántas señales diferentes, cada una de seis banderas coloca-
das en una lı́nea vertical, pueden formarse con cuatro banderas rojas idénticas y dos
banderas azules idénticas.
Al igual que en el ejercicio anterior, es una permutación de 6 objetos donde 4 son iguales y
2 son iguales. Por tanto el número de señales es
A B
6 6!
= = 15
4, 2 4! · 2!
2 Probabilidad
Ejercicio 0.9. Si se dispone de cuatro grupos de individuos (tres americanos, cuatro
franceses, cuatro daneses y dos italianos), calcular de cuántas formas posibles pue-
den sentarse en una fila de sillas cuando aquellos de igual nacionalidad se sientan
correlativamente.
Si los de la misma nacionalidad se sientan juntos, son como un solo elemento. Tenemos cuatro
nacionalidades, por lo que el número de formas de sentarlos será una permutación con n = 4
4! = 24
Ejercicio 0.10. Calcular como pueden distribuirse nueve juguetes entre cuatro niños
cuando el menor de éstos recibe tres juguetes y cada uno de los restantes recibe dos
juguetes.
A B
9
Podemos escoger los juguetes que le tocan al pequeño de formas. Para saber de cuántas
3
formas podemos repartir el resto, el número de subconjuntos posibles que podemos formar es
A B A B A B
6 4 2
· ·
2 2 2
. Las formas de ordenar cada reparto de juguetes son una permutación de tres elementos, por
tanto, tenemos que las formas de repartir los juguetes entre los niños son
A B A B A B
9 6 4
· · · 3! = 45360
3 2 2
Ejercicio 0.11. 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.
Si cualquier letra puede ir donde queramos, el número de palabras es una permutación de
nueve elementos, es decir, 9! = 362880.
Si no hay vocales juntas, las vocales tienen que ir en las posiciones impares de la palabra
(suponemos que la primera letra ocupa la posición uno y la última letra la posición 9). Las formas
de colocar estas vocales es una permutación de 5 elementos. Además, las formas de colocar las
consonantes en las posiciones pares también es una permutación, esta vez de cuatro elementos.
Por tanto, el número de palabras es
5! · 4! = 2880
Ejercicio 0.12. 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.
A B
12
Las formas se escoger los seis items que vamos a responder de forma aleatoria son .
6
Además, para cada respuesta aleatoria hay dos opciones, luego en las seis respuestas aleatorias
tenemos 26 opciones. Por tanto, el número de formas de responder es
A B
12
· 26 = 59136
6
Probabilidad 3
Capı́tulo 0. Combinatoria
Ejercicio 0.13. Calcular cuántos números naturales de cuatro cifras hay con todas
las cifras diferentes.
Tenemos 9 posibilidades para escoger el primer número (no puede empezar por 0), 9 posi-
bilidades para la segunda cifra, 8 para la tercera y 7 para la cuarta. Por tanto, el número de
posibilidades es
9 · 9 · 8 · 7 = 4536
Ejercicio 0.14. Calcular cuántos números de tres cifras pueden formarse con los dı́gi-
tos ‘1,3,5,7 y 9’. Calcular cuánto suman todos ellos.
Suponemos que podemos repetir las cifras, es una variación con repetición de 3 elementos
tomados entre 5, por lo que tenemos 53 = 125 números distintos.
Tenemos 25 números que acaban en 9, 25 que acaban en 7... Por tanto, las unidades de todos
ellos suman 25 · (9 + 7 + 5 + 3 + 1) = 25 · 25 = 625. De nuevo tenemos 25 números que tienen un
9 en sus decenas, 25 número que en las decenas tienen un 7... y similar con las centenas. Por lo
que la suma de estos números es
a) Si el 1 y el 2 están seguidos, son como un elemento, por la que las formas de ordenarlos son
5!. Además, para cada una de esas ordenaciones puede ir el 1 primero o ir el 2 (tenemos dos
posibilidades). El número de ordenaciones posibles es
2 · 5! = 2 · 120 = 240
5! = 120
Ejercicio 0.16.
a) Si son capicúas, sólo tenemos que escoger el primer dı́gito y el segundo, ya que el tercero
será igual que el primero. Por tanto tenemos 9 · 10 = 90 números (el primer número no puede
ser 0).
b) Si son cinco cifras, tenemos que hay 9 · 10 · 10 = 900 números posibles, ya que el cuarto dı́gito
es igual que el segundo y el quinto dı́gito es igual que el primero.
4 Probabilidad
x = 1: la y puede ser 1, 2, 3, 4, 5 o 6. Si determinamos x e y, la z queda determinada.
x = 2: la y puede ser 1, 2, 3, 4 o 5.
x = 3: la y puede ser 1, 2, 3 o 4.
x = 4: la y puede ser 1, 2 o 3.
x = 5: la y puede ser 1 o 2.
Ejercicio 0.18. 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.
Si encendemos tres vértices del hexágono tenemos 23 señales, con cuatro vértices, 24 , con
cinco 25 y con seis, 26 . Por tanto, el número de señales es
23 + 24 + 25 + 26 = 8 + 16 + 32 + 64 = 120
Probabilidad 5
Introducción al cálculo de probabilidades
1
Ejercicio 1.1. Dados el conjunto B µ y las sucesiones {An : n Ø 1} µ P ( ) y {Bn : n Ø 1} µ
P ( ), se pide:
c) Demostrar que lı́m sup An = lı́m sup A2n fi lı́m sup A2n≠1 y lı́m inf An = lı́m inf A2n fl
lı́m inf A2n≠1
d) Demostrar que lı́m sup (B ≠An ) = B ≠lı́m inf An y lı́m inf (B ≠An ) = B ≠lı́m sup An
e) Demostrar que (lı́m sup An )c = lı́m inf Acn y (lı́m inf An )c = lı́m sup Acn
f) Demostrar que lı́m sup(An fi Bn ) = lı́m sup An fi lı́m sup Bn y lı́m inf(An fl Bn ) =
lı́m inf An fl lı́m inf Bn
a)
7
Capı́tulo 1. Introducción al cálculo de probabilidades
Œ
‹
=∆ lı́m inf An = An = lı́m sup An
n=1
Œ
‹
es decir, ÷ lı́m An y lı́m An = An
næŒ næŒ
n=1
c)
lı́m sup An = lı́m sup A2n fi lı́m sup A2n≠1
Ê œ lı́m sup An ≈∆ Ê pertenece a infinitos conjuntos de {An : n Ø 1}
≈∆ Ê pertenece a infinitos conjuntos de {A2n : n Ø 1}
o
Ê pertenece a infinitos conjuntos de {A2n≠1 : n Ø 1}
≈∆ Ê œ lı́m sup A2n o Ê œ lı́m sup A2n≠1
≈∆ Ê œ lı́m sup A2n fi lı́m sup A2n≠1
d)
lı́m sup (B ≠ An ) = B ≠ lı́m inf An
Por las leyes de Morgan:
Ac fi B c = (A fl B)c
Ac fl B c = (A fi B)c
Œ €
Œ Œ €
Œ Œ
A Œ
B
‹ ‹ ‹ €
lı́m sup (B ≠ An ) = (B ≠ Ak ) = (B fl Ack ) = Bfl Ack =
n=1 k=n n=1 k=n n=1 k=n
Œ
A AŒ Bc B Œ
AŒ Bc AŒ Œ Bc
‹ ‹ ‹ ‹ € ‹
= Bfl Ak =Bfl Ak =Bfl Ak =
n=1 k=n n=1 k=n n=1 k=n
Œ ‹
€ Œ
=B≠ Ak = B ≠ lı́m inf An
n=1 k=n
8 Probabilidad
e)
f)
Ó Ô
1 1
c) An = x œ R : n ÆxÆ3≠ n
a)
Probabilidad 9
Capı́tulo 1. Introducción al cálculo de probabilidades
Por otro, veamos el lı́mite superior de An , teniendo en cuenta que la subsucesión A2n es
monótona decreciente:
Œ 1
AŒ B
‹ 1 È2 ‹1 È
lı́m sup A2n = (R ≠ Q) fl ≠ n2 , 7n+3
9n = (R ≠ Q) fl ≠ n2 , 7n+3
9n =
næŒ n=1 n=1
Ë È
7
= (R ≠ Q) fl 0, 9
Œ €
‹ Œ Œ 1
Œ €
‹ Ë È2 Œ 1
‹ Ë È2
1 5n 1 5
lı́m sup A2n≠1 = A2n≠1 = Qfl n , 2n+2 = Qfl k, 2 =
næŒ
k=1 n=k k=1 n=k k=1
AŒ B
‹ Ë È 1 2
1 5
=Qfl k, 2 = Q fl 0, 52
k=1
Por tanto:
1 Ë È2 1 1 22 1 2 1 Ë 22
lı́m sup An = (R ≠ Q) fl 0, 79 fi Q fl 0, 52 = 0, 79 fi Q fl 7 5
9, 2
næŒ
b)
Œ
‹ Œ 1
‹ 2 Ë È
3n 3n+2 3
lı́m A3n≠1 = An = 5n+1 , n = 5, 3
næŒ
n=1 n=1
Œ
€ Œ Ë
€ 2
2
lı́m A3n = An = 1, 2nn+2
+1
= [1, Œ)
næŒ
n=1 n=1
Œ €
‹ Œ Œ 1
Œ €
‹ È Œ 1
‹ 2 Ë 2
n≠1 2n≠1 1
lı́m sup A3n≠2 = A3n≠2 = 5n+3 , n = 5k+3 , 2
k≠1
= 5, 2
næŒ
k=1 n=k k=1 n=k k=1
€Œ ‹ Œ €Œ ‹ Œ 1 È €Œ Ë È Ë 2
n≠1 2n≠1 1 2k≠1 1
lı́m inf A3n≠2 = A3n≠2 = 5n+3 , n = 5, k = 5, 2
næŒ
k=1 n=k k=1 n=k k=1
Concluimos que:
Ë 2
1
lı́m sup An = lı́m sup A3n≠2 fi lı́m sup A3n≠1 fi lı́m sup A3n = 5, Œ
næŒ næŒ næŒ næŒ
lı́m inf An = lı́m inf A3n≠2 fl lı́m inf A3n≠1 fl lı́m inf A3n = [1, 2)
næŒ næŒ næŒ næŒ
10 Probabilidad
Ejercicio 1.3. Supongamos = R2 . Calcular los conjuntos lı́mnæŒ En , lı́mnæŒ Enc ,
lı́mnæŒ Fn , lı́mnæŒ Fnc y lı́mnæŒ (En fl Fnc ), donde:
Ó Ô
En = (x, y) œ R2 : x2 + y 2 < 1 + 1
n
Ó Ô
Fn = (x, y) œ R2 : x2 + y 2 Æ n
n+1
Ë 2
1
Para simplificar, tomamos las equivalencias En ¥ 0, 1 + n , que es una subsucesión decre-
1 È
ciente, y Fn ¥ 0, n+1
n
, que es creciente. Ası́:
Ë 2 Œ Ë
‹ 2 Ó Ô
lı́m 0, 1 + 1
n = 0, 1 + 1
n = [0, 1] =∆ lı́m En = (x, y) œ R2 : x2 + y 2 Æ 1
næŒ næŒ
n=1
1 2c Ó Ô
lı́m Enc = lı́m En = (x, y) œ R2 : x2 + y 2 > 1
næŒ næŒ
1 È Œ
‹ 1 È Ó Ô
lı́m 0, n+1
n
= 0, n+1
n
= [0, 1) =∆ lı́m En = (x, y) œ R2 : x2 + y 2 < 1
næŒ næŒ
n=1
1 2c Ó Ô
lı́m Fnc = lı́m Fn = (x, y) œ R2 : x2 + y 2 Ø 1
næŒ næŒ
1 2‹1 2 Ó Ô
lı́m (En fl Fnc ) = lı́m En lı́m Fnc = (x, y) œ R2 : x2 + y 2 = 1
næŒ næŒ næŒ
Ë È
1 1
a) Para simplificar, tomamos la equivalencia An ¥ n, 4 ≠ n . Como la sucesión es monótona
creciente:
Ë È Œ Ë
€ È
1
lı́m , 4 ≠ n1 = 1 1
n, 4 ≠ n = (0, 4)
næŒ n
n=1
Ó Ô
=∆ lı́m An = (x, y) œ R2 : 0 < x2 + y 2 < 4
næŒ
Ë È
b) Para simplificar, tomamos la equivalencia An ¥ 0, n1 . Como la sucesión es monótona decre-
ciente:
Ë È Œ Ë
‹ È
1 1
lı́m 0, n = 0, n = {0}
næŒ
n=1
Ó Ô
=∆ lı́m An = (x, y) œ R2 : x2 + y 2 = 0 = {(0, 0)}
næŒ
Probabilidad 11
Capı́tulo 1. Introducción al cálculo de probabilidades
1 È 1 È
a) A2n = ≠ n1 , 1 , A2n≠1 = ≠1, n1
Ë 2 1 È
1 1
b) A2n = n, 1 , A2n≠1 = 0, 1 ≠ n
Œ
‹ Œ 1
‹ È
lı́m A2n = A2n = ≠ n1 , 1 = [0, 1]
næŒ
n=1 n=1
Œ
‹ Œ
‹ 1 È
lı́m A2n+1 = A2n+1 = ≠1, n1 = (≠1, 0]
næŒ
n=1 n=1
Por tanto:
Œ
€ Œ Ë
‹ 2
1
lı́m A2n = A2n = n, 1 = (0, 1)
næŒ
n=1 n=1
Œ
€ Œ
‹ 1 È
1
lı́m A2n+1 = A2n+1 = 0, 1 ≠ n = (0, 1)
næŒ
n=1 n=1
Por tanto:
El lı́mite superior y el lı́mite inferior coinciden, por lo que existe el lı́mite de An y es (0, 1).
12 Probabilidad
2
Probabilidad
A œ AA
A œ AA puesto que A = A fl y œ A µ P( )
’ B œ AA , B c œ A A
Sea B œ AA , es decir, ÷ C œ A q B = A fl C. Comprobemos ahora que BAc œ AA
⇠
(A⇠fl⇠A⇠
BAc = A ≠ B = A fl B c = A fl (A fl C)c = A fl (Ac fi C c ) = ⇠ c
) fi (A fl C c ) = A fl C c ,
donde C c œ A
’ {Bn : n Ø 1} œ AA , fiŒ
n=1 An œ AA
Sea {Bn : n Ø 1} µ AA . Entonces ÷ Cn œ A tal que Bn = A fl Cn para cada n Ø 1.
Planteamos
Œ
€ Œ
€ Œ
€
Bn = (A fl Cn ) = A fl Cn œ A
n=1 n=1 n=1
¸ ˚˙ ˝
œA
donde:
13
Capı́tulo 2. Probabilidad
Œ ‹
€ Œ Œ €
‹ Œ
A = lı́m inf An = Ak y A = lı́m sup An = Ak
n=1 k=n n=1 k=n
siendo:
1. Œ Œ ‹
Œ
‹ €
Ak ø, luego su lı́mite es Ak = A
k=n n=1 k=n
2. Œ Œ €
Œ
€ ‹
Ak ¿, luego su lı́mite es Ak = A
k=n n=1 k=n
uŒ uŒ 1 uŒ 2
Desde (1), ÷ lı́m P ( k=n Ak ) y lı́m P ( k=n Ak ) = P lı́m k=n Ak = P (A)
næŒ næŒ næŒ
tŒ tŒ
Desde (2), ÷ lı́m P ( k=n Ak )y næŒ
lı́m P ( k=n Ak ) = P (A)
næŒ
Además, AŒ B AŒ B
‹ €
P Ak Æ P (An ) Æ P Ak ’n Ø 1
k=n k=n
14 Probabilidad
1 2
lı́m P (Bn ) ¸˚˙˝
= P lı́m Bn = P (lı́m inf An )
næŒ næŒ
Bn ø
Bn µ An , ’ n Ø 1 =∆ P (Bn ) Æ P (An ), ’n Ø 1
Bn µAn , ’ nØ1
˙˝¸˚
=∆ P (lı́m inf An ) = lı́m P (Bn ) = lı́m inf P (Bn ) Æ lı́m inf P (An )
næŒ
uŒ tŒ tŒ uŒ
b) Como lı́m sup An = n=1 k=n Ak , tomamos Cn = k=n Ak , por lo que Cn ¿ y n=1 Cn =
lı́m sup An . Además,
Œ
€
An µ Ak y lı́m Cn = lı́m sup An
næŒ
k=n
Entonces:
1 2
lı́m P (Cn ) ¸˚˙˝
= P lı́m Cn = P (lı́m sup An )
næŒ næŒ
Cn ¿
An µ Cn , ’ n Ø 1 =∆ P (An ) Æ P (Cn ), ’ n Ø 1
=∆ lı́m sup P (An ) Æ lı́m sup P (Cn ) = lı́m P (Cn ) = P (lı́m sup An )
næŒ
=∆ lı́m sup P (An ) Æ P (lı́m sup An )
Probabilidad 15
Capı́tulo 2. Probabilidad
P (A) Ø 0 ’ A œ A
Œ
ÿ
Es claro que an Ø 0, Pn (A) Ø 0 ’ n Ø 1 =∆ an Pn (A) Ø 0
n=1
P( ) = 1
Œ
ÿ Œ
ÿ
P( ) = an Pn ( ) = an = 1
n=1
¸ ˚˙ ˝ n=1
=1
qŒ
’ {An : n Ø 1} µ A con Ai fl Aj = ÿ ’ i ”= j =∆ P (fiŒ
n=1 An ) = n=1 P (An )
Planteamos:
AŒ B Œ
AŒ B Œ ÿ
Œ Œ
€ ÿ € ÿ ÿ
P Ai = an Pn Ai = an Pn (Ai ) = P (Ai )
i=1 n=1 i=1 i=1 n=1 i=1
¸q ˚˙ ˝ ¸ ˚˙ ˝
Œ
Pn (Ai ) P (Ai )
i=1
16 Probabilidad
qŒ
’ {An : n Ø 1} µ A con Ai fl Aj = ÿ ’ i ”= j =∆ P (fiŒ
n=1 An ) = n=1 P (An )
AŒ B Q R
€ ÿ Œ
ÿ ÿ Œ
ÿ
P An = p(1 ≠ p)n = a p(1 ≠ p)n b = P (An )
tŒ
n=1 xœ An n=1 xœAn n=1
n=1
c) P (A):
Q R
cÿ d
Œ
ÿ
≠⁄ ⁄
x c Œ ⁄x ⁄2 d
P ({x œ N0 : x > 2}) = e =e ≠⁄ c
≠1 ≠ ⁄ ≠ d
x=3
x! c
ax=0 x! 2d b
¸ ˚˙ ˝
e⁄
A B
⁄2
= 1 ≠ e≠⁄ 1 + ⁄ +
2
P (B):
2
A B
⁄x ÿ ⁄2 ≠⁄
P ({x œ N0 : x < 3}) = e≠⁄ = 1 + ⁄ + e
x=0
x! 2
P (C):
5
A B 3 4
ÿ
≠⁄ ⁄
x ⁄ 5 ⁄4 ⁄ ⁄4
P ({x œ N0 : 3 < x < 6}) = e =e ≠⁄
+ =e ≠⁄
+1
x=4
x! 5! 4! 5 4!
P (A fl B) = P (ÿ) = 0
P (A fi B) = P (N0 ) = 1
P (B fl C) = P (ÿ) = 0
P (A fl C c ):
P (B fl C c ) = P (B)
Ejercicio 2.8. Sean Np y Ni los conjuntos de números naturales pares e impares, res-
pectivamente. Definimos la familia de subconjuntos C = {A fi Ni : A µ Np }. Estudiar
si C µ P(N) tiene estructura de algebra.
Probabilidad 17
Capı́tulo 2. Probabilidad
Veamos que no satisface una de las tres condiciones para ser álgebra. En concreto, la condición
que dice que si A œ C, entonces Ac œ C:
Sea A0 œ C =∆ ÷ Ap œ P(Np ) q A0 = Ap fi Ni =∆
=∆ Ac0 = (Ap fi Ni )c = Acp fl Nci = Acp fl Np µ Np =∆
=∆ Ac0 ”œ C
N œ C (trivial, N es infinito)
’ A œ C, Ac œ C
’ A, B œ C, A fi B œ C
Por el punto anterior, A fi B œ C … (A fi B)c = Ac fl B c œ C. Por tanto, veamos esta última
pertenencia.
• A, B finitos: A fl B finito ∆ (A fl B) œ C.
• A, B infinitos: (A fl B)c finito ∆ (A fl B)c œ C ∆ (A fl B) œ C.
• A finito, B infinito (o viceversa): (A fl B) µ A (que es finito) ∆ (A fl B) œ C.
Esto prueba que C tiene estructura de álgebra. Sin embargo, veamos que no cumple la con-
dicion adicional para ser ‡-álgebra:
t
’ {An : n Ø 1} œ C, Œ
n=1 An œ C
Sea An = {2n} ’ n Ø 1 ∆ fiAn = Np , (fiAn )c = Ni , y ambos son infinitos.
Ejercicio 2.10. Sean = {0, 1, 2, . . .} y C = {A µ : 2n œ A si y sólo si 2n + 1 œ A}. De-
mostrar que C µ P( ) es ‡-álgebra.
’ A œ C, Ac œ C
Sea A œ C. Para 2n œ A se tiene que 2n œ A ≈∆ 2n + 1 œ A. Entonces:
2n œ Ac ≈∆ 2n ”œ A ≈∆ 2n + 1 ”œ A ≈∆ 2n + 1 œ Ac
Es decir, Ac œ C, porque verifica lo mismo que le pedı́amos a los puntos del conjunto A.
t
’ {An : n Ø 1} œ C, Œn=1 An œ C
Sea {An : n Ø 1} µ C. Notemos que
Œ
€
2n œ Ai ≈∆ ÷ j œ N q 2n œ Aj
i=1
≈∆ ÷ j œ N q 2n + 1 œ Aj
Œ
€
≈∆ 2n + 1 œ Ai
i=1
18 Probabilidad
Ejercicio 2.11. Sean un conjunto no-numerable y C = {A µ : A o Ac es numerable}.
Estudiar si C µ P( ) es ‡-álgebra.
œ C (trivial, c = ÿ es numerable)
’ A œ C, Ac œ C
A œ C =∆ {A numerable ó Ac numerable} =∆ Ac œ C
tŒ
’ {An : n Ø 1} œ C, n=1 An œC
• Cuando An es numerable, ’ n Ø 1
Œ
€ Œ
€
=∆ An es numerable =∆ An œ C
n=1 n=1
¶ Aci es numerable, ’ i œ N ≠ I
€ ‹
=∆ AN≠I = Ai es tal que AcN≠I = Aci es numerable
iœN≠I iœN≠I
Ahora:
Œ
AŒ Bc
€ €
AN≠I µ AI fi AN≠I = An =∆ An = (AI fi AN≠I )c µ AcN≠I es numerable
n=1 n=1
Œ
€
=∆ An œ C
n=1
Probabilidad 19
Capı́tulo 2. Probabilidad
Ejercicio 2.13. Calcular la probabilidad de que, al tirar una moneda n veces, obten-
gamos la k-ésima cara en la n-ésima tirada
Sea A = “se obtiene la k-ésima cara en la n-ésima tirada”. Como en todas las tiradas los suce-
sos son equiprobables, podemos aplicar la regla de Laplace. En total, hay 2n sucesos elementales.
1 2 3 n
C C C . . . C
X X X X
k-1 caras
En n ≠ 1 tiradas hay:
k ≠ 1 caras
(n ≠ 1) ≠ (k ≠ 1) cruces
20 Probabilidad
Se pide calcular:
P (B|An ) · P (An )
P (An |B) =
P (B)
donde:
A B
n 1 1 2j 1 2n≠j
P (Aj ) = · 2 · 1 ≠ 12 , j = 0, 1, . . . , n
j
1 2k
P (B|Aj ) = j
n
qn
P (B) = j=0 P (B|Aj ) · P (Aj )
Entonces:
1 2n QA B 3 4 R≠1
1
1· 2
n
ÿ n j kb
P (An |B) = A B =a ·
qn 1 j 2k n 1 1 2n j=1
j n
j=1 n · · 2
j
qN qN 1 2n
1
P (A) = i=0 P (Ui ) · P (A/Ui ) = i=0 N+1 · i
N
qN qN 1 2n+1
1
P (A fl B) = i=0 P (Ui ) · P (A fl B/Ui ) = i=0 N+1 · i
N
qN 1 2n
1 i qN
P (A fl B) i=0 N+1 · N i=0 i
n+1
∆ P (B/A) = =q 1 2n+1 = q
P (A) N 1
· i N · Ni=0 i
n+1
i=0 N+1 N
Ejercicio 2.17. 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 exactamente r bolas
blancas?
aB
k bolas
bN
Probabilidad 21
Capı́tulo 2. Probabilidad
a) A B A B A B A B
5 3 2 4
· · ·
2 2 1 3
P (a) = A B = 0,0799
14
8
b) A B A B
10 4◆◆
· ◆
4 4
P (b) = A ◆
B = 0,0699
14
8
c) A B
9
8
P (c) = 1 ≠ P (“no hay bola roja”) = 1 ≠ A B = 0,997
14
8
Ejercicio 2.20. Con una moneda se juega a cara o cruz. Se suspenden los lanzamientos
cuando por primera vez la diferencia entre el número de caras y el número de cruces
es, en valor absoluto, igual a 3. Calcular la probabilidad de que los lanzamientos se
suspendan en la sexta tirada o antes.
22 Probabilidad
Sean A=“alcanzar una diferencia entre C y X igual a 3 como tarde en la sexta tirada”, y
Ti =“alcanzar una diferencia entre C y X igual a 3 en la tirada i”, con 3 Æ i Æ 6. Veamos las
posibles configuraciones de cada Ti :
4 lanzamientos: no es posible.
6 lanzamientos: no es posible.
2 6
∆ P (A) = P (T3 ) + P (T5 ) = + 5 = 0, 44
2 3 2
Ejercicio 2.21. Los jugadores A, B y C participan en el siguiente juego: se lanza un
dado y A gana si sale 1 ó 3, B gana si sale 4 ó 5, C gana si sale 6 y si sale 2 se vuelve
a lanzar el dado. Calcular la probabilidad de que gane cada uno de los jugadores.
Sean los sucesos:
A: “ gana el jugador A”
B: “gana el jugador B”
2
P (B) = P (A) =
5
C: “gana el jugador C”
4 1
P (C) = 1 ≠ P (A) ≠ P (B) = 1 ≠ =
5 5
Ejercicio 2.22. Una urna contiene 5 bolas negras y 4 blancas, y otra, 4 negras y 5
blancas. Supongamos que se trasladan 2 bolas de la primera a la segunda urna y,
a continuacion, se extrae una bola de la segunda urna. ¿Cuál es la probabilidad de
que la bola extraı́da sea blanca?
Sean los sucesos:
Entonces:
Probabilidad 23
Capı́tulo 2. Probabilidad
! 5"
P (B0 ) = !29" = 0,278
2
!5"!4"
P (B1 ) = 1!9"1 = 0,555
2
! 4"
P (B2 ) = !29" = 0,167
2
Ejercicio 2.23. Se sabe que al lanzar cinco monedas aparecieron al menos dos caras.
¿Cuál es la probabilidad de que el numero de caras exacto fuese tres?
Sean los sucesos:
B = {{C, C, C, X, X}}
Se pide evaluar
P (A fl B) P (B)
P (B|A) = =
P (A) ¸˚˙˝ P (A)
BµA =∆ AflB=B
donde:
A B A B
5 2◆◆
· ◆
3 2 5
P (B) = ◆ =
2
5 16
P (A) = 1 ≠ P (“Se obtienen 0 caras”) ≠ P (“Se obtiene 1 cara”)
A B A B A B A B
5◆◆ 1◆ ◆ 5 4◆◆
◆ · ◆ · ◆
5 1 1 4 1 5 13
= 1≠◆ ◆ ≠ ◆ =1≠ 5 ≠ 5 =
2 5 2 5 2 2 16
5
16 5
P (B|A) = 13 =
16
13
Ejercicio 2.24. Disponemos de una moneda y dos dados, A y B. A tiene 4 caras rojas
y 2 blancas, y B tiene 2 caras rojas y 4 blancas. Se lanza una moneda: si sale cara,
se lanza repetidas veces el dado A, y si sale cruz, se hace lo mismo con el dado B.
b) Sabiendo que en los dos primeros lanzamientos hemos observado dos caras
rojas, ¿cuál es la probabilidad de que el dado lanzado sea A?
24 Probabilidad
Sean A=“obtener rojo en el primer lanzamiento”, B=“obtener cara en el lanzamiento de
la moneda”, C=“obtener cruz en el lanzamiento de la moneda”, D=“lanzar el dado A” y
E=“obtener rojo en los dos primeros lanzamientos”.
3 4 3 4
1 2 1 1 1
a) P (A) = P (A/B) + P (A/C) = P (A)P (B) + P (A)P (C) = · + · =
2 3 2 3 2
5 6
2 1 1
+ ·
P (E/D)P (D) [P (E/B)P (B) + P (E/C)P (C)] · P (D) 9 18 2 4
b) P (D/E) = = = =
P (E) P (E) 4 5
9
Ejercicio 2.25. Se lanzan dos monedas. Si es resultado es CC, se extraen dos bolas
de la 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. Si sale XC o XX, 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 ?
1
P (U1 ) = P (CC) = 4
1
P (U2 ) = P (CX) = 4
1
P (U3 ) = P (XC ó XX) = 2
Sea el suceso BR =“se extraen una bola blanca y una bola roja”. Si pide evaluar P (Ui |BR)
para i = 1, 2, 3
Teorema de Bayes:
P (BR|Ui ) · P (Ui )
P (Ui |BR) =
P (BR)
Evaluamos:
A B A B
3 2
·
1 1 1
P (BR|U1 ) = A B =
9 6
2
A B A B
2 1◆◆
· ◆
1 1 1
P (BR|U2 ) = A ◆
B =
8 14
2
A B A B
6 4
·
1 1 1
P (BR|U3 ) = A B =
16 5
2
Probabilidad 25
Capı́tulo 2. Probabilidad
b) Habiendo sido extraı́da una unidad defectuosa, haya sido producida en la primera
planta.
y sus probabilidades:
500 1
P (P1 ) = =
500 + 1000 + 2000 7
1000 2
P (P2 ) = =
3500 7
2000 4
P (P3 ) = =
3500 7
Sea el suceso D = “la unidad extraı́da es defectuosa”
Entonces,
P (D|P1 ) = 0,01
P (D|P2 ) = 0,008
P (D|P3 ) = 0,02
Además,
26 Probabilidad
P (Dc |P1 ) = 1 ≠ P (D|P1 ) = 0,99
P (Dc |P2 ) = 0,992
P (Dc |P3 ) = 0,98
Entonces:
P (Dc ) = P (Dc |P1 ) · P (P1 ) + P (Dc |P2 ) · P (P2 ) + P (Dc |P3 ) · P (P3 )
1 2 4
= 0,99 · + 0,992 · + 0,98 ·
7 7 7
= 0,9848
b) Se pide evaluar:
P (D|P1 ) · P (P1 ) 0,01 · 17
P (P1 |D) = = = 0,094
P (D) 1 ≠ 0,9848
Ejercicio 2.28. Se supone que n bolas se colocan al azar en n cajas numeradas. Cal-
cular las probabilidades de que:
a)
Casos posibles: nn
• 1ª bola: n cajas
• 2ª bola: n cajas
..
.
• nª bola: n cajas
Casos favorables: (n ≠ 1)n
• 1ª bola: n ≠ 1 cajas
• 2ª bola: n ≠ 1 cajas
..
.
• nª bola: n ≠ 1 cajas
3 4n
(n ≠ 1)n 1
P (“la caja 1 está vacı́a”) = n
= 1≠
n n
b) Estudiemos primero P (“la caja tiene 1 bola”)
1a bola æ n cajas
2a bola æ n ≠ 1 cajas
..
.
na bola æ 1 caja
n!
P (“Cada caja tiene 1 bola”) =
nn
Probabilidad 27
Capı́tulo 2. Probabilidad
Ahora que hemos calculado esa probabilidad, podemos calcular P (“Alguna caja está vacia”)
como:
n! nn ≠ n!
P (“Alguna caja está vacı́a”) = 1 ≠ P (“Cada caja tiene 1 bola”) = 1 ≠ =
nn nn
c)
Casos favorables: en todas las cajas habrá una bola excepto en la 1, que está vacı́a y la
i, que tiene 2. Hay:
A B
n
• formas de escoger las dos bolas
2
• (n ≠ 1) formas de escoger la caja en la que colocar las 2 bolas
• 1ª bola: n ≠ 2 cajas
2ª bola: n ≠ 3 cajas
..
.
(n ≠ 2)ª bola: 1 caja
28 Probabilidad
Sea X=“número de electores que votan la lista A entre los 10 electores elegidos”
A B A B
15 27
·
k 10 ≠ k
P (X = k) = A B
¸˚˙˝ 42
kœ{0,1,...,10}
10
Se pide evaluar
P (X Æ 3) = P (X = 0)+P (X = 1)+P (X = 2)+P (X = 3) = 0,006+0,048+0,158+0,257 = 0,487
Ejercicio 2.30. De una baraja española (40 cartas) repartida en su totalidad entre 4
jugadores, hallar la probabilidad de que haya como mı́nimo un jugador cuya mano
sean cartas todas del mismo palo.
Sean:
Si = “el jugador i≠ésimo tiene todas sus cartas del mismo palo”, i œ {1, 2, 3, 4}
S = “como mı́nimo un jugador tiene todas sus cartas del mismo palo”
Remarcando primero que S1 , S2 , S3 , S4 no son disjuntos, podemos escribir:
S = S1 fi S2 fi S3 fi S 4
Evaluamos:
P (S) = P (S1 fi S2 fi S3 fi S4 ) =
4
ÿ ÿ ÿ
= P (Si ) ≠ P (Si fl Sj ) + P (Si fl Sj fl Sk ) ≠ P (S1 fl S2 fl S3 fl S4 ) =
i=1 i<j i<j<k
A B A B
4 4
= · P (S1 ) ≠ · P (S1 fl S2 )
1 ¸ ˚˙ ˝ 2
¸ ˚˙ ˝ La prob. es igual para 1, 2, 3 y 4
Las formas de escoger al primer jugador
A B A B
4 4
+ · P (S1 fl S2 fl S3 ) ≠ · P (S1 fl S2 fl S3 fl S4 )
3 4
Donde
4
P (S1 ) = !40" = 4,719 · 10≠9 El numerador es 4 porque pueden ser oros, copas, bastos o espadas.
10
4 3
P (S1 fl S2 ) = P (S1 ) · P (S2 |S1 ) = !40" · !30" = 4,712 · 10≠16
10 10
4 3 2
P (S1 fl S2 fl S3 ) = P (S1 ) · P (S2 |S1 ) · P (S3 |(S1 fl S2 )) = !40" · !30" · !20" = 5,101 · 10≠21
10 10 10
P (S1 fl S2 fl S3 fl S4 ) = P (S1 fl S2 fl S3 ) = 5,101 · 10 ≠21
Probabilidad 29
Capı́tulo 2. Probabilidad
Ejercicio 2.31. Se tiene una moneda y una urna. Se lanza la moneda al aire: si sale
cara, se introduce una bola negra en la urna, y si sale cruz, la bola introducida es de
color blanco. El proceso se repite 10 veces. A continuacion, 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?
Sean Bi =“la urna contiene i bolas blancas y (10 ≠ i) bolas negras”, con 0 Æ i Æ 10, y E=“las
10 bolas extraı́das son blancas”. Entonces:
P (E/B10 )P (B10 ) P (E/B10 )P (B10 )
P (B10 /E) = = q10 =
P (E) i=0 P (E/Bi )P (Bi )
3 410
1
1·
2 1
= 3 410 A B3 4i 3 410≠i = 3 4A B
q10 i 10 1 1 q10 i 10
1≠
i=0
10 i 2 2 i=1
10 i
Ejercicio 2.32. Dos de las cuatro válvulas de un aparato, que funcionan independien-
temente, han fallado. Calcular la probabilidad de que hayan sido la 1 y la 2, si la
probabilidad de que falle la válvula i es de 10i .
Sean:
Se pide evaluar:
P (A1,2 fl B) P (A1,2 )
P (A1,2 |B) = =
P (B) ¸˚˙˝ P (B)
A1,2 µB
Donde, sabiendo que B = A1,2 fl A1,3 fl A1,4 fl A2,3 fl A2,4 fl A3,4 , y que los conjuntos Ai,j son
disjuntos dos a dos:
30 Probabilidad
Si sustituimos:
Probabilidad 31
Variables aleatorias unidimensionales
3
Ejercicio 3.1. Sean C µ P( 2) yf: 1 æ 2 una aplicación.
a) Demostrar que
€ € ‹ ‹
f ≠1 (Ac ) = (f ≠1 (A))c f ≠1 ( Ai ) = f ≠1 (Ai ) f ≠1 ( Ai ) = f ≠1 (Ai )
iœI iœI iœI iœI
a)
f ≠1 (Ac ) = (f ≠1 (A))c
x œ f ≠1 (Ac ) ≈∆ f(x) œ Ac
≈∆ f(x) ”œ A
≈∆ x ”œ f ≠1 (A)
≈∆ x œ (f ≠1 (A))c
t t
f ≠1 ( iœI Ai ) = iœI f ≠1 (Ai )
€ €
x œ f ≠1 ( Ai ) ≈∆ f(x) œ Ai
iœI iœI
≈∆ ÷ w œ I q f(x) œ Aw
≈∆ ÷ w œ I q x œ (f ≠1 (Aw ))
€
≈∆ x œ f ≠1 Ai
iœI
u u
f ≠1 ( iœI Ai ) = iœI f ≠1 (Ai )
‹ ‹
x œ f ≠1 ( Ai ) ≈∆ f(x) œ Ai
iœI iœI
≈∆ ’ w œ I, f(x) œ Aw
≈∆ ’ w œ I, x œ (f ≠1 (Aw )
‹
≈∆ x œ f ≠1 (Ai )
iœI
33
Capı́tulo 3. Variables aleatorias unidimensionales
Ejercicio 3.2. Sea una urna con 3 bolas blancas, 2 negras y 1 verde. Se extraen 3
bolas al azar y se considera › definida como “el número de bolas blancas extraı́das”.
Construir la función de probabilidad inducida por › y su función de distribución.
Sea › = “número de bolas blancas extraı́das”. Evaluamos la probabilidad, sabiendo que es
una hipergeométrica:
A B A B Y
3 3 _ 0,05 si x = 0
· _
_
x 3≠x ] 0,45 si x = 1
P› ({x}) = P (› = x) = A B =
6 _
_ 0,45 si x = 2
_
[
3 0,05 si x = 3
Ejercicio 3.3. Sea el espacio muestral asociado al lanzamiento de una moneda equi-
librada en tres ocasiones, con puntos muestrales denotados por Êijk con i, j, k œ {C, X}.
Sea A = {ÿ, A1 , A2 , A3 , A1 fi A2 , A1 fi A3 , A2 fi A3 , A1 fi A2 fi A3 } una ‡-álgebra sobre P( ),
donde A1 = {Êccx , Êcxc }, A2 = \(A1 fi A3 ) y A3 = {Êxxx }. Sea X(Ê) el “número de caras
obtenidas en el resultado Ê”. Estudiar si X es una variable aleatoria.
Como se realizan tres lanzamientos, el valor de X(Ê) œ {0, 1, 2, 3}. Por ello, veamos si
X ≠1 (≠Œ, a] está contenido en A:
a < 0: X ≠1 (≠Œ, a] = ÿ œ A
0 Æ a < 1: X ≠1 (≠Œ, a] = X ≠1 ({0}) = {Êxxx } = A3 œ A
1 Æ a < 2: X ≠1 (≠Œ, a] = X ≠1 ({0, 1}) = {Êxxx , Êcxx , Êxcx , Êxxc } ”œ A
Por tanto, X(Ê) no es una variable aleatoria.
34 Probabilidad
Es decir, › genera P( ), por lo que es una variable aleatoria. Evaluemos ahora P (› = r):
Œ 3 4c
Œ
ÿ Œ
ÿ 1 1 ÿ 1 1 1 2k≠r
P› (r) = P (› = r) = P (r +kZ) = P (r +ck) = = r = =
c=0 c=0
2r+ck 2 c=0 2k 2r 1 ≠ 21k 2k ≠ 1
k≠1
ÿ
Una simple comprobación permite observar que P› ({r}) = 1.
r=0
Ejercicio
sŒ
3.5. Sea f : R æ R+ = [0, Œ)s una función Riemann-integrable tal que
≠Œ f(u)du = 1. Demostrar que F (x) = ≠Œ f(u)du define una función de distribu-
x
para Á > 0, de acuerdo al teorema del valor medio del cálculo integral, donde, siendo m, M unas
ciertas constantes:
por lo que F es continua por la derecha. Finalmente, es monótona no decreciente, puesto que
⁄ x+Á
F (x + Á) ≠ F (x) = f(t)dt Ø 0
x
Probabilidad 35
Capı́tulo 3. Variables aleatorias unidimensionales
⁄
a) Como f(t) Ø 0 ’ t =∆ – > 0. Además, f(t)dt = 1, por lo que
R
⁄ Œ C DŒ
≠e≠kt –
–e ≠kt
dt = – = = 1 ≈∆ – = k
0 k 0
k
1
b) k = 2 min ∆ – = 12 . Por tanto:
⁄ Œ Ë ÈŒ
1 ≠ 12 t 1 3
P (T > 3) = 2e dt = ≠e≠ 2 t = e≠ 2
3 3
c)
⁄ 6 Ë È6
1 ≠ 12 t ≠ 12 t 3
P (3 < T < 6) = 2e dt = ≠e = e≠ 2 ≠ e≠3
3 3
b) Determinar – para que F sea discreta. Análogo para el caso absolutamente con-
tinuo.
5 4
1 1
c) Calcular P (lı́m inf An ) y P (lı́m sup An ) cuando An = 3 + 3n+1
,–
1
Cuando 3 Æ x1 < x2 < –, debe tenerse
x2–≠1
1 Æ x2–≠1
2
b) Distinguimos entre
1
–= 2 I 3 4
0 si x < 13 1
F (x) = 1 =∆ F © Degenerada x =
1 si 3 Æx 3
36 Probabilidad
1 2
1
–œ 2, 1 : F es mixta, la amplitud de salto es menor que 1.
–=1 Y
] 0
_ si x < 13
1
F (x) = x si 3 Æx<1
_
[ 1 si 1Æx
La amplitud de salto es menor que 1. La función de distribución es mixta.
a) Es claro que:
F es monótona no-decreciente.
F es continua por la derecha.
F (≠Œ) = 0, F (Œ) = 1
Notemos que:
1 1
Z
PF ({1})
1Ó Ô2= F (1) ≠ F (1 ) = 5 ≠ 0 = 5
≠
_
_
^
PF 32 = F ( 32 ) ≠ F ( 32 ) = 13 ≠ 14 = 1
≠
1Ó Ô2 12 =∆
_
_
5
F ( 52 ) ≠ F ( 52 ) 2 1
≠
PF 2 = =1≠ 3 = 3
\
3; <4 3; <4
3 5 1 1 1 37
=∆ ⁄ = PF ({1}) + PF + PF = + + =
2 2 5 12 3 60
Probabilidad 37
Capı́tulo 3. Variables aleatorias unidimensionales
2
3
1
3
1
4
1
5
3
1 2 3
Z
1
PF ({1}) 5
_
_ 12 Y
p1 (1) = = _
_
37 = _ 0 si x<1
⁄ _
_
_
60
_
37 _
_
_
_
_
_ _
_
1Ó Ô2 _
_
_
_
_
_ 12 3
3 1
_
_ _
_ si 1Æx<
1 2 PF 2
3 12 5 _
_
^
_
_
] 37 2
p1 2 = = 37 =
⁄ 37 =∆ F 1 (x) =
60 _
_ _
_ 17 3 5
_
_ _
_ si Æx<
1Ó Ô2
5
_
_
_
_
_
_ 37 2 2
1 _ _
1 2 PF 2
5 3 20 _
_ _
_
p1 2 = = 37 = _
_
_
_
_
_ 5
⁄ 60
37 _
_
_
_
[ 1 si xØ
_
\ 2
dF (x)
Para evaluar F2 , primero calculamos en todo punto x donde exista, es decir
dx
Y
_
_
_
0 si x<1
_
_
_
_
_
_
_ 1 3
_
_ si 1<x<
] 10 2
_
_
d(F (x))
=
dx _
_ 1 3 5
_
_ si 2 <x<
_ 3 2
_
_
_
_
_
_
_
_ 5
[ 0
_ si x>
2
dF (x) Ó Ô
Como resultado, tomamos como punto de partida f2 (x) = dx
en todo punto x ”œ 1, 32 , 52 .
1≠⁄
En estos puntos se puede definir como queramos, siempre que siga siendo función de distri-
bución.
38 Probabilidad
Es decir, F2 es una función de distribución continua con función de densidad
Y 1
_ 10 6 3
37 = 23 si 1<x<
_
_
_ 2
_
_
_ 1 ≠ 60
_
_
_
]
1
f2 (x) = 3 20 3 5
37 = 23 si
_
_ <x<
2 2
_
_
_
_
1 ≠ 60
_
_
_
_
[
0 en caso contrario
Y
_
_ 0 si x<1
_
_
_
_
_
_
_
_ 6(x ≠ 1) 3
_
_
_ si 1Æx< 2
⁄ x ] 23
=∆ F2 (x) = f2 (y)dy = 3 4
≠Œ _
_ 3 20 3
_ 3 5
_
_
_ + x≠ si 2 Æx< 2
_
_
_ 23 23 2
_
_
_
_
[ 5
1 si xØ 2
b)
Q R
3; <4 3; <4
€ ÿ 3 5 37
PF (Q) = PF a {x}b = PF ({x}) = PF ({1}) + PF + PF =
xœQ xœQ
2 2 60
37 23
PF (R ≠ Q) = 1 ≠ PF (Q) = 1 ≠ =
60 60
c)
1 2
1 5n+2
A2n≠1 = n+1 , n+1
Œ
€
A2n≠1 ø =∆ ÷ lı́m A2n≠1 y lı́m A2n≠1 = A2n≠1 = (0, 5)
næŒ næŒ
n=1
1 2
4n+3 8n+1
A2n = n , n+1
Œ
€
A2n ø =∆ ÷ lı́m A2n y lı́m A2n = A2n = (4, 8)
næŒ næŒ
n=1
Entonces,
lı́m inf An = lı́m inf A2n≠1 fl lı́m inf A2n = (0, 5) fl (4, 8) = (4, 5)
lı́m sup An = lı́m sup A2n≠1 fi lı́m sup A2n = (0, 5) fi (4, 8) = (0, 8)
Probabilidad 39
Capı́tulo 3. Variables aleatorias unidimensionales
es una función de distribución de tipo mixto, donde [x] denota la parte entera de x.
Consideramos n œ N
3 4 3 4
1 1 1 1
PF ({n}) = F (n) ≠ F (n ) = 1 ≠
≠
≠ ≠ 1≠ ≠ =
2n+1 2n+1 2n+1 2n≠1+1
1
= >0 ’n Ø 1
2n+1
y para n = 0
3 4
1 1
PF ({0}) = F (0) ≠ F (0 ) = 1 ≠ ≠ ≠0=0
≠
2 2
La aportación de la parte discreta no acumula toda la masa, sólo aporta 12 , luego la función
es de tipo mixto.
Ejercicio 3.10. Sea la función de densidad de una variable aleatoria X con distribución
Cauchy
1 1
fX (x) = , xœR
fi 1 + x2
Determinar la distribución de la variable aleatoria Y = 3X + 1.
y≠1 1
Como Y = Ï(X) = 3X + 1 =∆ Ï≠1 (y) = =∆ (Ï≠1 (y))Õ = , que es continua
3 3
y definida en todo R. Por tanto, CY = CX = R y
1 1 3
fY (y) = 1 22 =
3fi 1 + y≠1 fi(y ≠ 2y + 10)
2
3
Otra forma:
40 Probabilidad
Para y œ R,
3 4 3 4
y≠1 y≠1
FY (y) = PY (≠Œ, y] = P (Y Æ y) = P (3X + 1 Æ y) = P X Æ = FX =
3 3
Q R
⁄
1 1 1 1c
carctan y ≠ 1 ≠ arctan(≠Œ)d =
y≠1
3
y≠1 d
= · dx = [arctan(x)] 3
=
≠Œ fi 1 + x2 fi ≠Œ
fia 3 ¸ ˚˙ ˝b
≠ fi2
1 y≠1 1
= arctan +
fi 3 2
1 1
=∆ fY (y) = · 1 2
3fi 1 + y≠1 2
3
a) Gráficamente
1
0,9
0,8
0,3
0,2
≠1 1 1 3
2 2
Consideramos
J
PF ({0}) = F (0) ≠ F (0≠ ) = 0,3 ≠ 0,2 = 0,1
=∆ ⁄ = PF ({0}) + PF ({1}) = 0,2
PF ({1}) = F (1) ≠ F (1≠ ) = 0,9 ≠ 0,8 = 0,1
Probabilidad 41
Capı́tulo 3. Variables aleatorias unidimensionales
Y
] 0
_ si x<0
1
F1 (x) = PF1 (≠Œ, x] = 2 si 0Æx<1
_
[ 1 si xØ1
dF (x)
Para determinar F2 evaluamos, para cada x donde exista dx
Y
_
_ 0 si x < ≠1
_
_
_
_ 0,2 si ≠1 < x < 0
_
dF (x) ] 0 si 0 < x < 12
= 1
dx _
_ 4(x ≠ 0,5) si 2 <x<1
_
_
_
_
_ 0,2 si 1 < x < 32
[
0 si x > 32
3
2
1
2
≠1 0 1 1 3
2 2
Distinguimos entre:
y<0
42 Probabilidad
0
y
1
2
y
≠y 0 y 1
2
1
y
1
2
≠y 0 1 y 1
2
Probabilidad 43
Capı́tulo 3. Variables aleatorias unidimensionales
3
2
y
1
≠1 0 1 ≠y 3
2
y≠1
FY (y) = P (|X| Æ y) = P (≠1 Æ X Æ y) = FX (y) ≠ FX (≠1≠ ) = 0,9 +
5
Si resolvemos el ejercicio con el dibujo, es preferible utilizar la opción que hemos visto.
Debemos incluir el ≠1 porque es imagen inversa de 1, que está en el conjunto que estamos
estudiando. Otra alternativa serı́a:
y≠1
FY (y) = P (|X| Æ y) = P (X Æ y) = FX (y) = 0,9 + = 0,7 + 0,2y
5
3
yØ 2
y
3
2
0 3
2
Ë È
Si y Ø 32 , las yi pertenecientes a 3
2, y no tienen imagen inversa, luego
3 4
3
FY (y) = P (|X| Æ y) = P ≠1 Æ X Æ =1
2
Ejercicio 3.12. Sea X una variable aleatoria exponencial de tasa ⁄ = 1. Se define Y
como Y
_
_ X2 si 0ÆX<2
_
] 4 si 2ÆX<3
Y =
_
_ ≠4 · (X ≠ 4) si 3ÆX<4
_
[
0 si 4ÆX
Determinar la distribución de Y .
La función de distribución de la exponencial es absolutamente continua, su soporte está fijado
en la semirrecta real positiva.
⁄ x Ë Èx
FX (x) ¸˚˙˝
= ⁄e≠⁄u du = ≠e≠⁄u = 1 ≠ e≠⁄x
0 0
x>0
44 Probabilidad
4
Ô
y 2 3 16≠y 4
4
Distinguimos entre
y<0
FY (y) = PY (≠Œ, y] = P (ÿ) = 0
0Æy<4
3 5 44
16 ≠ y
Ô
FY (y) = PY (≠Œ, y] = P X œ (0, y] fi ,Œ =
4
3 4
Ô 16 ≠ y Ô y
= FX ( y) ≠ FX (0) + 1 ≠ FX = 1 ≠ e≠ y ≠ e 4 ≠4
4
yØ4
FY (y) = PY (≠Œ, y] = P (X œ (0, Œ)) = 1
Ejercicio 3.13. Sea X una variable aleatoria discreta con soporte DX y función de
masa pX . Sean g : R æ R 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
ÿ
pY (y) = pX (x), si y œ DY
{xœR:g(x)=y}flDx
Probabilidad 45
Capı́tulo 3. Variables aleatorias unidimensionales
›1 = X 2
≠3 1
• y<0
F›1 (y) = 0
• 0Æy<1
Ô Ô Ô 1 Ô 2 Ô Ô
F›1 (y) = P (›1 Æ y) = P (≠ y Æ X Æ y) = F ( y) ≠ F ≠ y ≠ = F ( y) ≠ F (≠ y) =
Ô Ô Ô Ô
y+3 3≠ y 2 y y
= ≠ = =
4 4 4 2
46 Probabilidad
• 1Æy<9
Ô
Ô Ô ≠ 3≠ y
F›1 (y) = P (›1 Æ y) = P (≠ y Æ X < 1) = F (1 ) ≠ F (≠ y ) = 1 ≠
≠
=
Ô 4
1+ y
=
4
• yØ9
›2 = X 3
• y < ≠27
F›2 (y) = 0
• ≠27 Æ y < 1
Ô
Ô Ô 3 y+3
F›2 (y) = P (›2 Æ y) = P (≠3 < X Æ 3
y) = F ( y) ≠ F (≠3) =
3
4
• yØ1
›3 = e≠X
• y < e≠1
F›3 (y) = 0
• e≠1 Æ y < e3
3 ≠ ln z 1 + ln z
F›3 (y) = P (›3 Æ y) = P (≠ ln z Æ X < 1) = F (1≠ )≠F (≠ ln z ≠ ) = 1≠ =
4 4
• y Ø e3
Probabilidad 47
Capı́tulo 3. Variables aleatorias unidimensionales
Si k = 0, ›0,5 = 0
48 Probabilidad
c)
Ë È 1 4k2
= E X 2 ≠ (E[X])2 = ≠
V ar(X) ¸˚˙˝
1
3 9
E[X 2 ]= 3
1 4k2
Sea f(k) = ≠ , alcanza su máximo en k = 0
3 9
1
=∆ f(k) = I[≠1,1] (x) =∆ X ≥ Uniforme[≠1, 1]
2
Ejercicio 3.16. Sea X una variable aleatoria con función de distribución
Y
_
_ 0 si x < 0
]
1 + 2x2
F (x) = si 0 Æ x < 1
_
_
[ 6
1 si x Ø 1
1
2
1
6
Evaluamos
1 1
P (X = 0) = F (0) ≠ F (0≠ ) = ≠0=
6 6
1 1
P (X = 1) = F (1) ≠ F (1≠ ) = 1 ≠ =
2 2
Y
_
_ 0
si x < 0
dF (x) ]
2x
= si 0 < x < 1
[ 3
dx _
_
0 si x > 1
⁄ 0 ⁄ 1 ⁄ Œ
2x
E[X] = x · 0 dx + 0 · P (X = 0) + x · dx + 1 · P (X = 1) + x · 0 dx =
≠Œ 0 3 1
13
=
18
⁄ 0 ⁄ 1 ⁄ Œ
Ë
2
È
2 2 2x
E X = x · 0 dx + 0 · P (X = 0) + x · dx + 12 · P (X = 1) +
2
x2 · 0 dx =
≠Œ 0 3 1
2
=
3
3 42
Ë
2
È
2 2 13 47
V ar(X) = E X ≠ (E[X]) = ≠ =
3 18 324
Probabilidad 49
Capı́tulo 3. Variables aleatorias unidimensionales
Tomamos
y < 0 =∆ FY (y) = 0
y>0
13 2 4
y y
FY (y) = PY (≠Œ, y] = P (Y Æ y) = P (≠2 ln X Æ y) = P ln X Ø ≠ = P X Ø e≠ 2 =
2
y
= 1 ≠ e≠ 2
1 y
fY (y) = e≠ 2 si y > 0
2
3 4
1
Y ≥ Exp ⁄ =
2
Ejercicio 3.18.
a) Observamos que
t2 t3 ÿŒ k
t 1 Œ
ÿ tk 1ÿŒ
tk+1
M(t) = 1 + tm1 + m2 + m3 + · · · ¸˚˙˝
= · = =
2 3! 1 k=0
k! k + 1 k=0 (k + 1)! t k=0 (k + 1)!
mk = k+1
1ÿ Œ k
t et ≠ 1
= =
t k=1 k! t
¸ ˚˙ ˝
et ≠1
50 Probabilidad
b)
1
X ≥ U(a, b) =∆ fX (x) = , si x œ (a, b)
b≠a
Evaluamos
t ”= 0
⁄ b C Db
Ë È 1 1 etx etb ≠ eta
M(t) = E e tX
= etx
dx = =
a b≠a b≠a t a
(b ≠ a)t
t=0 ⁄ b
Ë È 1 b≠a
M(t) = E e tX
= etx = =1
a b≠a b≠a
Si en el resultado general sale t æ 0, se aplica l’Hôpital y sale este último resultado.
¿Qué ocurre si a = 0 y b = 1?
et ≠ 1
Entonces M(t) =
t
c) Antes de resolver el ejercicio notemos que
1
|–et | < 1 ≈∆ –et < 1 ≈∆ t < ln = ≠ ln –
–
X ≥ Geométrica(p = 1 ≠ –)
Nota 1. La función generatriz de momentos no necesariamente existe para todos los t œ R
a) Reescribimos
Ë È Œ
ÿ
Ï(t) = E eitX = eitxn P (X = xn )
n=0
1 n A B
1 2 1 ÿŒ
eit Œ
ÿ 1
= = = · = eitn · n+1
2 ≠ eit eit 2 n=0 2 2
1≠ ¸ ˚˙ ˝ n=0
2 converge
Probabilidad 51
Capı́tulo 3. Variables aleatorias unidimensionales
1
=∆ X es variable aleatoria con soporte discreto DX = N0 y pX (n) = P (X = n) =
2n+1
Evaluamos
ieit
ÏÕ (t) =
(2 ≠ eit )2
i2 eit (2 ≠ eit ) + 2i2 e2it
ÏÕÕ (t) =
(2 ≠ eit )3
Entonces
ÏÕ (0) i
E[X] = = =1
i i
Ë È ÏÕÕ (0) 3i2
E X2 = 2 = 2 = 3
Ëi È i
V ar(X) = E X 2 ≠ (E[X])2 = 3 ≠ 12 = 2
b)
Ë È Ë È eit
Ïy (t) = E eitY = E eit(1+2X) = eit ÏX (2t) =
¸ ˚˙ ˝ 2 ≠ e2it
eit ·ei(2t)X
c) Evaluamos
1 2 1 2 1Ô Ô 2
P (Y1 œ [10, 50]) = P 10 Æ (Y + 2)2 Æ 50 = P 10 Æ (2X + 3)2 Æ 50 = P 10 Æ 2X + 3 Æ 50
Q R
Ô Ô
c 10 ≠ 3 5 2 ≠ 3d
= Pc ÆXÆ d = P (X œ {1, 2}) = P (X = 1) + P (X = 2)
a
¸ 2
˚˙ ˝ 2
¸ ˚˙ ˝
b
0,08 2,03
1 1
= 2+ 3
2 2 Q R
1 2 1 Ô d 2
P (Y2 œ [6, 10]) = P 6 Æ X 2 + 5 Æ 10 = P 1 Æ X 2 Æ 5 = P a1 Æ X Æ 5 b
c
¸˚˙˝
2,236
1 1
= P (X œ {1, 2}) = P (X = 1) + P (X = 2) = + 3
22 2
Ejercicio 3.20. Determinar la función caracteristica de las variables aleatorias que
cumplen:
52 Probabilidad
a) Si toda la probabilidad está concentrada en un punto, X tiene distribución degenerada. Sea
p el punto que concentra toda la probabilidad:
Ë È Œ
ÿ
ÏX (t) = E eitX = eitx · P (X = x) = eitp
x=≠Œ
b) Sea DX el soporte de X
Ë È ÿ
ÏX (t) = E eitX = eitx · P (X = x)
xœDX
sen t
Ejercicio 3.21. Demostrar que Ï(t) = es la función caracterı́stica de una variable
t
aleatoria.
Evaluamos
⁄ Œ ⁄ Œ ⁄ Œ
1 ≠itx sen t 1 eit ≠ e≠it
f(x) = ≠itx
e Ï(t)dt = e = e≠itx dt
2fi ≠Œ ≠Œ t ¸˚˙˝ 2fi ≠Œ 2it
(ú)
⁄
1 Œ 1 1 it(1≠x) 2
= e ≠ e≠it(1+x) dt
2fi ≠Œ 2it
⁄ Œ
1 1
= (cos(t(1 ≠ x)) + i sen(t(1 ≠ x)) ≠ cos(t(1 + x)) + i sen(t(1 + x)))dt
2fi ≠Œ 2it
⁄ Œ
1 1
= i(sen(t(1 ≠ x)) + sen(t(1 + x)))dt
¸˚˙˝ 2fi ≠Œ 2it
(úú)
⁄
1 Œ 1
= (sen(t(1 ≠ x)) + sen(t(1 + x)))dt
2fi ≠Œ 2t
⁄ Œ3 4
1 sen(t(1 ≠ x)) sen(t(1 + x))
= ·2 + dt
4fi 0 t t
⁄ Œ
1 sen(y) 1 fi 1
= ·2·2 dy = · =
¸˚˙˝ 4fi 0 y fi 2 2
(úúú)
1
Si integramos f(x) en (≠1, 1), la integral vale 1. Por tanto, f(x) = I(≠1,1) (x). La variable
2
aleatoria tiene una distribución de una Uniforme(≠1, 1).
Veamos qué pasarı́a si x ”œ(≠1, 1):
⁄ Œ ⁄ Œ I
sen(t(1 ≠ x)) sen(t(1 + x)) 0 si x > 1
dt + dt =
0 t 0 t 0 si x < ≠1
Estudiamos el caso x > 1. Si x < ≠1 el procedimiento es similar, basta aplicar los cambios a
las integrales en orden contrario. En la tercera igualdad utilizaremos el cambio de variable
z = ≠y ≈∆ dz = ≠dy y = 0 =∆ z = 0, y æ ≠Œ =∆ z æ Œ
⁄ Œ ⁄ Œ ⁄ ≠Œ ⁄ Œ
sen(t(1 ≠ x)) sen(t(1 + x)) sen(y) sen y
dt + dt = dy + dy =
0 t 0 t 0 y 0 y
⁄ Œ ⁄ Œ ⁄ Œ ⁄ Œ
sen(≠z) sen(y) sen(z) sen(y) fi fi
= (≠dz) + dy = ≠ dz + dy = ≠ + = 0
0 ≠z 0 y 0 z 0 y 2 2
Probabilidad 53
Capı́tulo 3. Variables aleatorias unidimensionales
(*) Sabemos que eit = cos(t) + i sen(t) y e≠it = cos(≠t) + i sen(≠t) = cos(t) ≠ i sen(t). Entonces
eit ≠ e≠it
eit ≠ e≠it = 2i sen(t) =∆ sen(t) =
2i
s Œ cos u
(**) ≠Œ du = 0, por lo que las integrales cos(t(1 ≠ x)) y cos(t(1 + x)) son cero, ya que
u
(1 + x) y (1 ≠ x) son factores que dividen o multiplican a las integrales y no influyen en el
resultado.
Rechazaremos el lote si tiene más de dos unidades defectuosas. Sea R = “el lote es rechazado”.
P (R) = 1 ≠ P (X = 0) ≠ P (X = 1) ≠ P (X = 2)
A B A B A B
100 100 100
=1≠ 0,040 · 0,96100 ≠ 0,04 · 0,9699 ≠ 0,042 · 0,9698
0 1 2
= 0,76786
54 Probabilidad
A = “el alumno elegido es del grupo A”
P (X Æ y, ≠0,5 Æ X Æ 0,5)
FY (y) = P (X Æ y/{|X| Æ 0,5}) =
P (≠0,5 Æ X Æ 0,5)
⁄ 0,5
P (≠0,5 Æ X Æ 0,5) = 0,5 · e≠|u| du = 1 ≠ e≠0,5
≠0,5
Y
] 0
_ si y < ≠0,5
P (X Æ y, ≠0,5 Æ X Æ 0,5) = s 1 si 0,5 < y
_
[ y 0,5 · e≠|u| du si ≠ 0,5 Æ y Æ 0,5
≠0,5
⁄ y I sy
≠0,5 0,5 · e du = s0,5 · (e ≠ e
u y ≠0,5 ) si y < 0
0,5 · e
≠|u|
du = s 0
≠0,5 0,5 · e du + 0,5 · e du = 1 ≠ 0,5 · (e≠0,5 + e≠y ) si y Ø 0
u y ≠u
≠0,5 0
Probabilidad 55
Capı́tulo 3. Variables aleatorias unidimensionales
Y
_
_
_
0 si y < ≠0,5
_
_
_ 0,5 · (ey ≠ e≠0,5 )
_
] si ≠ 0,5 Æ y < 0
=∆ FY (y) = 1≠e ≠0,5
_ 1 ≠ 0,5 · (e≠y + e≠0,5 )
_
_
_ si 0 Æ y < 0,5
_
_
_ 1 ≠ e≠0,5
[ 1 si 0,5 Æ y
56 Probabilidad
Variables aleatorias multidimensionales
4
Ejercicio 4.1. Estudiar si
I
1 si x + 2y Ø 1
F (x, y) =
0 si x + 2y < 1
1
2 1
1
5
1 1
0 2
Una de las condiciones que tiene que cumplir F para ser función de distribución es que
’ (x1 , y1 ), (x2 , y2 ) œ R2 tales que x1 < x2 , y1 < y2 se verifica
57
Capı́tulo 4. Variables aleatorias multidimensionales
R2 R4
1
R3
1
R1
Sean
Y
_
_ 0 si x < 0
1 ]
FX (x) = P (X Æ x) = P (X Æ x, Y = 0) + P (X Æ x, Y = 1) = si 0 Æ x < 1
[ 3
_
_
1 si x Ø 1
Y
_
_ 0 si y < 0
1 ]
FY (y) = P (Y Æ y) = P (X = 0, Y Æ y) + P (X = 1, Y Æ y) = si 0 Æ y < 1
[ 3
_
_
1 si y Ø 1
Ejercicio 4.3. Sea (X, Y ) una variable aleatoria 2-dimensional con distribución uni-
forme sobre el recinto
; <
2 x
C = (x, y) œ R : y Æ , x Æ 3, y Ø 0
3
Calcular la función de densidad conjunta de (X, Y ), la función de distribución con-
junta de (X, Y ) y las distribuciones marginales de X e Y .
El recinto es el utilizado como ejemplo en el apéndice de “Integrales en R2 ”.
Si la distribución es uniforme sobre el recinto, tenemos que
58 Probabilidad
s
Debe cumplirse 1 = R2 f(x, y)dxdy.
⁄ ⁄ ⁄ ⁄ ⁄
f(x, y)dxdy = f(x, y)dxdy + f(x, y)dxdy = kdxdy + 0dxdy
R2 C Cc C Cc
⁄ 3⁄ ⁄ 3
3k
x
3 kx
= kdydx = dx =
0 0 0 3 2
2
Luego k = . La función de densidad conjunta de (X, Y ) es
3
2
f(X,Y ) (x, y) = IC (x, y)
3
(x, y) œ R1
F (x, y) = 0
(x, y) œ R2
⁄ x⁄ ⁄ x ⁄ x C Dx
2 2 2u 2 u2 x2
u
3 u
F (x, y) = dvdu = [v]0 du =
3
= =
0 0 3 0 3 0 9 9 2 0
9
(x, y) œ R3
⁄ y⁄ 3 ⁄ y ⁄ y ⁄ y
2 2 2
F (x, y) = dudv = [u]33v dv = (3 ≠ 3v)dv = (2 ≠ 2v)dv
0 3v 3 0 3 3
⁄ y ⁄ y C 0Dy 0
v 2
= 2dv ≠ 2vdv = 2[v]y0 ≠ 2 = 2y ≠ y 2 = y(2 ≠ y)
0 0 2 0
(x, y) œ R4
⁄
2
F (x, y) = dxdy = 1
C 3
(x, y) œ C
⁄ y⁄ x ⁄ y ⁄ y3 4 ⁄ y ⁄ y
2 2 2x 2x
F (x, y) = dudv = [u]x3v dv = ≠ 2v dv = dv ≠ 2 vdv
0 3v 3 0 3 0 3 3 0 0
3 4
2xy 2x
= ≠ y2 = y ≠y
3 3
Probabilidad 59
Capı́tulo 4. Variables aleatorias multidimensionales
Y
_
_ 0 si (x, y) œ R1
_
_
_ x2
_
_
_
] 9
si (x, y) œ R2
=∆ F(X,Y ) (x, y) = y(2 ≠ y) si (x, y) œ R3
_
_
_
_
_ 13 4 si (x, y) œ R4
_
_
_ 2x
[ y ≠y si (x, y) œ C
3
Para calcular la distribución marginal de X, calculamos la función de densidad marginal de
X:
Si x Æ 0 o x Ø 3: ⁄
fX (x) = 0dy = 0
R
Si 0 < x < 3: ⁄ ⁄
2 2x
x
3
fX (x) = f(x, y)dy = dy =
R 0 3 9
2x
=∆ fX (x) = I (x)
9 (0,3)
Y
_
_ 0 si x < 0
] 2
s x 2u x
=∆ FX (x) = 0 du = si 0 Æ x < 3
_
_
[ 9 9
1 si x Ø 3
Si y Æ 0 o y Ø 1 ⁄ ⁄
fY (y) = f(x, y)dx = 0dx = 0
R R
Si 0 < y < 1 ⁄ ⁄ 3
2
fY (y) = f(x, y)dy = dx = 2(1 ≠ y)
R 3x 3
a) Las esperanzas de X e Y .
60 Probabilidad
a) Para calcular la esperanza de X, calculamos la función de densidad marginal de X.
Y ! " 5 6
_ s fi2 sen(x + y) cos(x) ≠ cos x + fi2 fi
_
] 0 dy = si x œ 0,
fX (x) = 2 2 5 26
_ fi
[ 0
_ si x ”œ 0,
2
⁄ ⁄ ! "
cos(x) ≠ cos x + fi2
fi
2
E[X] = xfX (x)dx = x dx
R 0 2
5 3 3 446 fi ⁄ fi 3 3 44
fi 2 2 fi
= x sen(x) ≠ sen x + ≠ sen(x) ≠ sen x + dx
2 0 0 2
5 3 3 44 3 46 fi
fi fi 2
= x sen(x) ≠ sen x + + cos(x) ≠ cos x +
2 2 0
fi fi
= ≠1+1=
2 4
fi
E[Y ] = E[X] =
4
Ambas variables aleatorias varı́an igual y tienen un papel intercambiable en la integral original.
Probabilidad 61
Capı́tulo 4. Variables aleatorias multidimensionales
a)
R3 R5
1
R2
R4
C
1
R1
Si (x, y) œ R1
F (x, y) = 0
Si (x, y) œ C
⁄ x⁄ y ⁄ x⁄ y
F (x, y) = 24v(1 ≠ u ≠ v)dvdu = 24 (v ≠ uv ≠ v 2 )dvdu
0 0 0 0
⁄ C Dy ⁄ xC 2 D
x v2 v3 y y3
= 24 (1 ≠ u) ≠ du = 24 (1 ≠ u) ≠ du
0 2 3 0 0 2 3
⁄ x A B
2 3 2 x2
= 12y (1 ≠ u)du ≠ 8y x = 12y x≠ ≠ 8y 3 x
0 2
= 12y x ≠ 6y 2 x2 ≠ 8y 3 x = 2y 2 x(6 ≠ 3x ≠ 4y)
2
Si (x, y) œ R2
⁄ 1≠y ⁄ y ⁄ x ⁄ 1≠u
F (x, y) = 24v(1 ≠ u ≠ v)dvdu + 24v(1 ≠ u ≠ v)dvdu
0 0 1≠y 0
⁄ 1≠y ⁄ y ⁄ x ⁄ 1≠u
2
= 24 (v ≠ uv ≠ v )dvdu + 24 (v ≠ uv ≠ v 2 )dvdu
0 0 1≠y 0
⁄ 1≠y C D ⁄ x C D1≠u
y2 y3 v2 v3
= 24 (1 ≠ u) ≠ du + 24 (1 ≠ u) ≠ du
0 2 3 1≠y 2 3 0
⁄ 1≠y 2 ⁄ x
y (1 ≠ u)3
= 24 [3(1 ≠ u) ≠ 2y]du + 24 du
0 6 1≠y 6
= . . . = y 2 (3y 2 ≠ 8y + 6) ≠ (1 ≠ x)4
Si (x, y) œ R3
⁄ x ⁄ 1≠u
F (x, y) = 24v(1 ≠ u ≠ v)dvdu = 1 ≠ (1 ≠ x)4
0 0
Si (x, y) œ R4
⁄ y ⁄ 1≠v
F (x, y) = 24v(1 ≠ u ≠ v)dudv = y 2 (3y 2 ≠ 8y ≠ 16)
0 0
62 Probabilidad
Si (x, y) œ R5
F (x, y) = 1
Y
_
_ 0 si (x, y) œ R1
_
_
_
_ y 2 (3y 2 ≠ 8y + 6) ≠ (1 ≠ x)4 si (x, y) œ R2
_
] 1 ≠ (1 ≠ x)4 si (x, y) œ R3
=∆ F(X,Y ) (x, y) =
_
_ y 2 (3y 2 ≠ 8y ≠ 16) si (x, y) œ R4
_
_
_
_
_ 1 si (x, y) œ R5
[
2y 2 x(6 ≠ 3x ≠ 4y) si (x, y) œ C
x ”œ(0, 1)
fX (x) = 0
x œ (0, 1)
⁄ 1≠x ⁄ 1≠x Ë C D1≠x
2
È y2 y3
fX (x) = 24y(1 ≠ x ≠ y)dy = 24 (1 ≠ x)y ≠ y dy = 24 (1 ≠ x) ≠
0 0 2 3 0
C D
(1 ≠ x)2 (1 ≠ x)3 24(1 ≠ x)3
= 24 (1 ≠ x) ≠ = = 4(1 ≠ x)3
2 3 6
Es decir,
fX (x) = 4(1 ≠ x)3 I(0,1) (x)
y ”œ(0, 1)
fY (y) = 0
y œ (0, 1)
⁄ 1≠y ⁄ 1≠y ⁄ 1≠y
fY (y) = 24y(1 ≠ x ≠ y)dx = 24y(1 ≠ y) dx ≠ 24y xdx
0 0 0
C D1≠y
x2
= 24y(1 ≠ y)[x]1≠y
0 ≠ = 24y(1 ≠ y)2 ≠ 12y(1 ≠ y)2 = 12y(1 ≠ y)2
2 0
Luego
fY (y) = 12y(1 ≠ y)2 I(0,1) (y)
Probabilidad 63
Capı́tulo 4. Variables aleatorias multidimensionales
⁄ T
1 T ≠x x
(ú) : Es una U(0, T ) =∆ P (Z1 > x) = du = =1≠
x T T T
Entonces la función de distribución marginal de X es
Y
_
_
_
0 si x < 0
] 3 4N
x
FX (x) = 1 ≠ 1 ≠ si 0 Æ x < T
_
_ T
_
[ 1 si x Ø T
64 Probabilidad
Como consecuencia, la función de densidad conjunta es
3 4 3 4
N (N ≠ 1) T ≠ x N≠1 T ≠ y N≠2
f(X,Y ) (x, y) = fX (x)fY /X (y/x) = I(0,T ) (x)I(x,T ) (y)
T (T ≠ x0 ) T T ≠x
N (N ≠ 1)(T ≠ y)N≠2 Ó
2
Ô
= IC (x, y) C = (x, y) œ R : 0 < x < y < T
TN
Quedarı́a integrar en los diferentes recintos para hallar la función de distribución marginal.
Para terminar, calculamos la densidad marginal de Y . Para la distribución marginal, bastarı́a
integrar en (0,y) la función de densidad.
yÆ0oyØT
fY (y) = 0
0<y<T
⁄ y
N (N ≠ 1) N (N ≠ 1)
fY (y) = (T ≠ y)N≠2 dx = (T ≠ y)N≠2 y
0 TN TN
N (N ≠ 1)y(T ≠ y)N≠2
=∆ fY (y) = I(0,y) (y)
TN
Ejercicio 4.7. La probabilidad de que desde un huevo nazca un insecto es p. En una
flor, el número de huevos puestos por estos insectos sigue una distribución de Poisson
de media ⁄.
a) Sean
X =“número de huevos puestos en una flor”
Y =“número de insectos nacidos desde los huevos puestos en una flor”
⁄k
Se sabe que X ≥ P oisson(⁄), es decir, P (X = x) = e≠⁄ , con k œ N0 . Además, la función
k!
de masa de Y condicionada a X = k es una Binomial(k, p). Por tanto, si n œ {0, 1, 2, . . . , k}
A B
k n
P (Y = n/X = k) = p (1 ≠ p)k≠n
n
Planteamos evaluar
Œ
ÿ Œ
ÿ k
≠⁄ ⁄ k!
P (Y = n) = P (X = k)P (Y = n/X = k) = e pn (1 ≠ p)k≠n
k=n k=n
k! n!(k ≠ n)!
1! n ≠n "
Œ
ÿ (⁄(1 ≠ p))k≠n e≠⁄ pn ⁄n ÿŒ
(⁄(1 ≠ p))k≠n
= e≠⁄ p (1 ≠ p) (⁄(1 ≠ p))n =
n! k=n
(k ≠ n)! n! k=n
(k ≠ n)!
e p ⁄ ÿ (⁄(1 ≠ p))k
≠⁄ n n Œ
e≠⁄ pn ⁄n ⁄(1≠p) (⁄p)n
= = e = e≠⁄p ’ n œ N0
n! k=0
k! n! n!
Probabilidad 65
Capı́tulo 4. Variables aleatorias multidimensionales
b) Evaluamos
Ejercicio 4.8. Sea › una variable aleatoria discreta con función de masa
1
p(x) = , x = 1, 2, . . .
2x
Supongamos que ÷/› = x es una variable aleatoria con función de densidad
Determinar la distribución de ÷.
3 4x≠1
ÿ Œ
ÿ 1 1ÿ Œ
1≠y
f÷ (y) = p(x)f(y/x) = x(1 ≠ y)x≠1
= x
xœN x=1
2x 2 x=1 2
qŒ 1
Sea G(z) = n=0 z
n = si |z| < 1
1≠z
Œ
ÿ d 1 1
G (z) =
Õ
nz n≠1 = =
n=1
dz 1 ≠ z (1 ≠ z)2
Œ 3 4
ÿ 1 ≠ y x≠1 1 4
=∆ x = GÕ (z)|z= 1≠y = 1 22 =
x=1
2 2
1≠ 1≠y (1 + y)2
2
Por tanto,
2
f÷ (y) = 0<y<1
(1 + y)2
Ejercicio 4.9. Sea X una variable aleatoria con distribución Exponencial de paráme-
tro ⁄ = 1. Supongamos que Y /X = x es una variable aleatoria con función de densidad
I
xy ≠(x+1) si y > 1
f(y/x) =
0 en caso contrario
Calcular:
66 Probabilidad
b) Para y > 1
⁄ ⁄ Œ ≠x ⁄ Œ ⁄
xe 1 1 Œ ≠x ≠x ln y
fY (y) = f(x, y)dx = x+1
dx = xe y dx =
≠x ≠x
xe e dy
R 0 y y 0 y 0
⁄ ⁄ Œ
1 Œ 1 (2) (1 + ln y)2 ≠(1+ln y)x 2≠1
= e¸ ≠(1+ln˚˙y)x x2≠1˝ dx = e x dx
y 0 y (1 + ln y)2 0 (2)
núcleo de Gamma(a=1+ln y,p=2)
(2) 1
= =
y(1 + ln y)2 y(1 + ln y)2
1
=∆ fY (y) = I (y)
y(1 + ln y)2 (1,Œ)
c) Si y > 1:
≠x x
f(X,Y ) (x, y) e y x+1 IC (x, y) (1 + ln y)2 x
fX/Y (x/y) = = = I(0,Œ) (x)
fY (y) 1 y x ex
y(1 + ln y)2
Ejercicio 4.10. Se considera la variable aleatoria 2-dimensional (›, ÷), donde › sigue
una distribución Poisson de parámetro ⁄ y ÷/› = x sigue una distribución Normal
de media x2 ≠ 2x y varianza ‡ 2 . Calcular la esperanza de ÷ y la matriz de varianza-
covarianzas.
qŒ
Sabemos que f÷ (y) = x=0 P› (x)f÷/› (y/x)
⁄ ⁄ Œ
ÿ Œ
ÿ ⁄ Œ
E[÷] = yf÷ (y)dy = y P› (x)f÷/› (y/x)dy = P› (x) yf÷/› (y/x)dy
R R x=0 x=0 ≠Œ
¸ ˚˙ ˝
E[÷/›=x]=x2 ≠2x
Œ
ÿ Œ
ÿ Œ
ÿ Ë È
2 2
= P› (x)(x ≠ 2x) = x P› (x) ≠ 2 xP› (x) = E › 2 ≠ 2E[›]
x=0 x=0 x=0
2
= V ar(›) + (E[›]) ≠ 2E[›] = ⁄ + ⁄ ≠ 2⁄ = ⁄2 ≠ ⁄ = ⁄(⁄ ≠ 1)
2
Veamos (ú):
Ë È Ï(3) (0) ⁄i3 (⁄2 + 3⁄ + 1)
E ›3 = = = ⁄(⁄2 + 3⁄ + 1)
i3 i3
=∆ Cov(›, ÷) = ⁄(⁄2 + ⁄ ≠ 1) ≠ ⁄2 (⁄ ≠ 1) = ⁄(⁄2 + ⁄ ≠ 1 ≠ ⁄2 + ⁄) = ⁄(2⁄ ≠ 1)
Probabilidad 67
Capı́tulo 4. Variables aleatorias multidimensionales
# $
Además, V ar(›) = ⁄ y V ar(÷) = E ÷ 2 ≠ (E[÷])2 , donde
Ë È ⁄ Œ Œ
ÿ Œ
ÿ ⁄ Œ
2 2
E ÷ = y P› (x)f÷/› (y/x)dy = P› (x) y 2 f÷/› (y/x)dy
≠Œ x=0 x=0 ≠Œ
Œ
ÿ Ë È Œ
ÿ Ë È Œ
ÿ
= P› (x)E ÷ 2 /› = x = P› (x) ‡ 2 + (x2 ≠ 2x)2 = P› (x)(‡ 2 + x4 + 4x2 ≠ 4x3 )
x=0 x=0 x=0
Ë È Ë È Ë È
2 4 2 3 2 2
=‡ +E › + 4E › ≠ 4E › ¸=∆
˚˙ ˝ V ar(÷) = ‡ + ⁄(4⁄ ≠ 2⁄ + 1)
(úú)
Donde (úú):
Ë È Ï(4) (0) ⁄i4 (⁄3 + 6⁄2 + 7⁄ + 1)
E ›4 = 4
= 4
= ⁄(⁄3 + 6⁄2 + 7⁄ + 1)
i i
A B
⁄ ⁄(2⁄ ≠ 1)
=∆ =
⁄(2⁄ ≠ 1) ‡ + ⁄(4⁄2 ≠ 2⁄ + 1)
2
t2 +4u2 3 42 A B2
9e3i(t+2u)≠ 2 3 2
3it≠ t2 6iu≠2u2 1 t2 2
Ï(t, u) = = e e = e3it≠ 2 e6iu≠2u = Ï› (t)Ï÷ (u)
(3 ≠ it)2 3 ≠ it 1≠ it
3
›1 ≥ N ormal(3, 1) ›2 ≥ Gamma(a = 3, p = 2)
68 Probabilidad
Ejercicio 4.12. Se considera la variable aleatoria 2-dimensional (›, ÷) con función de
masa
1 3
P (≠1, ≠1) = P (≠1, 0) = P (≠1, 1) = 0
16 16
1 1 3
P (0, ≠1) = P (0, 0) = P (0, 1) =
16 4 16
1 1 1
P (1, ≠1) = P (1, 0) = P (1, 1) =
8 16 16
Demostrar que Ï›+÷ (t) = Ï› (t)Ï÷ (t) y mostrar que, sin embargo, › y ÷ no son inde-
pendientes.
›
≠1 0 1
1 3 1
≠1 16 16 0 4
÷ 1 1 3 1
0 16 4 16 2
1 1 1 1
1 8 16 16 4
1 1 1
4 2 4
÷ + › ≠2 ≠1 0 1 2
1 1 3 1 1
16 4 8 4 16
Por tanto,
1 ≠2it 1 ≠it 3 1 it 1 2it 1 1 ≠2it 2
Ï›+÷ (t) = e + e + + e + e = e + 4e≠it + 6 + 4eit + e2it
16 4 8 4 16 16
1 1 ≠it 2
Ï› (t) = e + 2 + eit
4
11 2
Ï÷ (t) = e≠it + 2 + eit
4
1 1 ≠it 2
=∆ Ï› (t)Ï÷ (t) = e + 2 + eit = Ï›+÷ (t)
16
Veamos que › y ÷ no son independientes:
1 1 1
P (› = 1, ÷ = ≠1) = 0 ”= = · = P (› = 1) · P (÷ = ≠1)
16 4 4
Ejercicio 4.13. Sea (X1 , X2 ) una variable aleatoria 2-dimensional con función de den-
sidad I
1 si 0 Æ x1 Æ 1, 0 Æ x2 Æ 1
f(x1 , x2 ) =
0 en caso contrario
Se considera la transformación (Y1 , Y2 ), donde Y1 = máx{X1 , X2 } e Y2 = mı́n{X1 , X2 }.
Calcular la función de densidad de (Y1 , Y2 ).
) *
)
Observamos que si C = C1 fi C2 con*C1 = (x1 , x2 ) œ R2 : 0 Æ x1 Æ 1, 0 Æ x2 Æ x1 y C2 =
(x1 , x2 ) œ R2 : 0 Æ x2 Æ 1, 0 Æ x1 < x2 , podemos distinguir dos casos:
Probabilidad 69
Capı́tulo 4. Variables aleatorias multidimensionales
Volvemos a obtener C porque, aunque la desigualdad es estricta, una recta no tiene masa.
Entonces
f(Y1 ,Y2 ) (y1 , y2 ) = (1 · |J1 | + 1 · |J2 |)IC ú (y1 , y2 ) = 2IC ú (y1 , y2 )
Ejercicio 4.14. Sea (X, Y ) una variable aleatoria 2-dimensional con función de densi-
dad uniforme en el recinto
Ó Ô
C = (x, y) œ R2 : 0 Æ x Æ 1, 0 Æ y Æ 1
z<0
FZ (z) = 0
0Æz<1
1
f(X,Y ) (x, y) = IC (x, y)
Area(C)
⁄ z⁄ z ⁄ z C Dz
x2 z2 z2
FZ (z) = dydx = (z ≠ x)dx = zx ≠ = z2 ≠ =
0 x 0 2 0
2 2
z2
Área del recinto triángulo z2
FZ (z) = = 2 =
Área C 1 2
70 Probabilidad
Si 1 Æ z < 2, entonces
Área del recinto
FZ (z) =
Área(C)
(2 ≠ z)(2 ≠ z)
Área del triángulo superior 2 (2 ≠ z)2
FZ (z) = 1 ≠ =1≠ =1≠
Área(C) 1 2
Si 2 Æ z
FZ (z) = 1
Y
_
_ 0 si z < 0
_
_
_ z2
_
] si 0 Æ z < 1
=∆ FZ (z) = 2
_ (2 ≠ z)2
_
_
_ 1≠ si 1 Æ z < 2
_
_
[ 2
1 si 2 Æ z
(x, y) œ C1 I I - -
z =x+y x=t -0 1 -
- -
=∆ =∆ J1 = - - = ≠1
t=x y =z≠t -1 ≠1-
) *
Siendo el recinto transformado C ú = (z, t) œ R2 : 0 < t < 1, t < z < 2t .
Probabilidad 71
Capı́tulo 4. Variables aleatorias multidimensionales
(x, y) œ C2 I I - -
z =x+y x=z≠t -1 ≠1-
- -
=∆ =∆ J2 = - -=1
t=y y=t -0 1 -
f(÷1 ,÷2 ) (z, t) = f(›1 ,›2 ) (t, z ≠ t) · |J1 | + f›1 ,›2 (z ≠ t, t) · |J2 | = 4t(z ≠ t) + 4(z ≠ t)t = 8t(z ≠ t)
Calcular:
b) La distribución marginal de Z.
a)
1
f(X,Y ) (x, y) = fX (x)fY (y) = e2≠y IC (x, y) C = (1, 3) ◊ (2, Œ)
2
Tomamos la transformación
- Ú Ú -
Y Y Ô -1 w 1 z-
] z=x ] x = Úwz - -
y =∆ w =∆ J = -- 2 Ôw
- z 2 w -- = 1
[ y= 1 -
Ô -- 2z
[ w = xy -≠
z - 3
2 wz
2z 2
) *
Siendo el recinto transformado C ú = (z, w) œ R2 : 1 < wz < 9, 4z < w
Por tanto, si (z, w) œ C ú :
3 Ú 4
w Ô 1 Ôw 1
f(Z,W ) (z, w) = f(X,Y ) |J| = e2≠ z
wz,
z 2 2z
1 Ôw
=∆ f(Z,W ) (z, w) = e2≠ z IC ú (z, w)
4z
s
b) fZ (z) = R f(Z,W ) (z, w)dw.
3 4
3
z ”œ 0,
2
fZ (z) = 0
1
z œ (0, ]
2
⁄ 9 3 4
1 2≠Ô w e2 3 3 3 1 1 1
fZ (z) = z dw = ≠ e≠ z ≠ e≠ z + e≠ z + e≠ z
z
e
1
z
4z 2 z z
72 Probabilidad
3 4
1 3
zœ ,
2 2
⁄ 9 3 4
1 2≠Ô w e2 3 3 3
fZ (z) = z = ≠ e≠ z ≠ e≠ z + 2e≠2 + e≠2
z
e
4z 4z 2 z
Ejercicio 4.17. Sean X1 , . . . , Xn+1 variables aleatorias independientes e idénticamente
distribuidas según una distribución Bernoulli de parámetro p. Sean
n
Ÿ n+1
Ÿ
Vn = Xi y Vn+1 = Xi
i=1 i=1
Por tanto,
f(X,Y ) (x, y) = fX (x)fY (y) = e≠x I(0,Œ) (x)e≠y I(0,Œ) (y) = e≠(x+y) I(0,Œ)◊(0,Œ) (x, y)
Si t < 0
FT (t) = 0
Si t > 0
⁄
FT (t) = P (|X ≠ Y | Æ t) = P (≠t Æ X ≠ Y Æ t) = f(X,Y ) (x, y)dxdy
C
⁄ t ⁄ t+y ⁄ Œ ⁄ y+t
= e ≠(x+y)
dxdy + e≠(x+y) dxdy
¸0 0
˚˙ ˝ ¸
t y≠t
˚˙ ˝
(ú) (úú)
1 1 1 1
= 1 ≠ e≠t ≠ e≠t + e≠3t + e≠t ≠ e≠3t = 1 ≠ e≠t
2 2 2 2
=∆ FT (t) = 1 ≠ e≠t I[0,Œ) (t) T ≥ Exp(1)
Probabilidad 73
Capı́tulo 4. Variables aleatorias multidimensionales
(*)
⁄ y+t ⁄ y+t 1 2
# $y+t
e≠(x+y) dx = e≠y e≠x dx = e≠y ≠e≠x 0 = e≠y ≠e≠(y+t) + 1 = e≠y ≠ e≠(2y+t)
0 0
⁄ t ⁄ y+t ⁄ t1 2 1 1
=∆ e≠(x+y) dxdy = e≠y ≠ e≠(2y+t) dy = 1 ≠ e≠t ≠ e≠t + e≠3t
0 0 0 2 2
(**)
⁄ y+t
e≠(x+y) dx = e≠(2y≠t) ≠ e≠(2y+t)
y≠t
⁄ Œ ⁄ y+t ⁄ Œ1 2 1 1
=∆ e≠(x+y)
dxdy = e≠(2y≠t) ≠ e≠(2y+t) dy = e≠t ≠ e≠3t
t y≠t t 2 2
Ejercicio 4.19. Sea (›1 , ›2 ) una variable aleatoria con función de densidad
I
2≠1 e≠x1 si x1 > 0, ≠1 < x2 < 1
f(x1 , x2 ) =
0 en caso contrario
F÷ (z) = P (÷ Æ z) = P (|›1 + ›2 | Æ z)
Si z < 0
F÷ (z) = P (ÿ) = 0
Si z Ø 0
F÷ (z) = P (÷ Æ z) = P (|›1 + ›2 | Æ z) = P (≠z Æ ›1 + ›2 Æ z)
• Si 0 Æ z < 1
⁄ 1≠z ⁄ z≠x1 ⁄ 1+z ⁄ z≠x1
1 ≠x1 1 ≠x1
F÷ (z) = P (≠z Æ ›1 +›2 Æ z) = e dx2 dx1 + e dx2 dx1
0 ≠z≠x1 2 1≠z ≠1 2
• Si 1 Æ z ⁄ 1 ⁄ z≠x2
1 ≠x1
F÷ (z) = P (≠z Æ ›1 + ›2 Æ z) = e dx1 dx2
≠1 0 2
Ejercicio 4.20. Sea (X, Y ) una variable aleatoria 2-dimensional con función de densi-
dad I
k2 e≠ky si 0 < x < y
f(x, y) =
0 en caso contrario
74 Probabilidad
a) Evaluamos
⁄ 1⁄ y ⁄ 1 ⁄ 1
2 ≠ky 2 ≠ky 2
P ((X, Y ) œ [0, 1] ◊ [0, 1]) = k e dxdy = k e [x]y0 dy =k ye≠ky dy
0 0 0 0
Q C D1 R
3 Ë È1 ⁄ 1 4
e≠ky
= ≠ ye≠ky ≠ ≠e≠ky dy k = ka≠e≠k + ≠ b
0 0 k 0
3 4
1 1
= k ≠e≠k ≠ e≠k + = 1 ≠ (1 + k)e≠k
k k
f(x, y) Ø 0 =∆ k ”= 0
s
R2 f(x, y)dxdy = 1
⁄ ⁄ Œ⁄ y ⁄ Œ
f(x, y)dxdy = k2 e≠ky dxdy = k2 ye≠ky dy
R2 0 0 0 ¸ ˚˙ ˝
Núcleo de Gamma(a=k,p=2)
⁄
(2) Œ k2 ≠ky
= k2 2 ye dy = (2) = 1
k 0 (2)
c) Tomamos la transformación
I I - -
z=x x=z -1 0-
- -
=∆ =∆ J = - -=1
t=y≠x y =z+t -1 1-
) *
El recinto transformado es C ú = (z, t) œ R2 : z > 0, t > 0 . Entonces (Z, T ) = (X, Y ≠ X)
tiene función de densidad
Como consecuencia,
⁄ ⁄ Œ ⁄ Œ
fZ (z) = f(Z,T ) (z, t)dt = k2 e≠k(z+t) dt = ke≠kz ke≠kt dt = ke≠kz z > 0
R 0 0
=0 z<0
fT (t) = ke≠kt t > 0
=0 tÆ0
Entonces
fZ (z)fT (t) = ke≠kz I(0,Œ) (z)ke≠kt I(0,Œ) (t) = k2 e≠k(z+t) I(0,Œ)◊(0,Œ) (z, t) = f(Z,T ) (z, t)
Probabilidad 75
Capı́tulo 4. Variables aleatorias multidimensionales
La curva tiene la ecuación de una recta, por lo que no hace falta calcular la recta de regresión
de Y sobre X, ambas coinciden.
-1 1
-1
a) Calculamos:
0Æx<1
⁄ ≠x ⁄ 1
1 1 1
fX (x) = dy + dy = ((1 ≠ x) + (1 ≠ x)) = 1 ≠ x
≠1 2 x 2 2
≠1 < x < 0:
⁄ x ⁄ 1
1 1 1
fX (x) = dy + dy = ((x + 1) + (1 + x)) = 1 + x
≠1 2 ≠x 2 2
x ”œ(≠1, 1)
fX (x) = 0
76 Probabilidad
CX = (≠1, ≠x) fi (x, 1) si x œ (0, 1)
CX = (≠1, x) fi (≠x, 1) si x œ (≠1, 0)
C0 = (≠1, 1) \ {(0, 0)}
a) 0 Æ x < 1
QC D≠x C D1 R
⁄ ≠x ⁄ 1
y y 1 y2 y2
y = E[Y /X = x] = dy + dy = a + b
≠1 2(1 ≠ x) x 2(1 ≠ x) 2(1 ≠ x) 2 ≠1
2 x
x2 ≠ 1 + 1 ≠ x2
= =0
4(1 ≠ x)
b) ≠1 < x < 0
QC Dx C D1 R
⁄ x ⁄ 1
y y 1 y2 y2
y = E[Y /X = x] = dy + dy = a + b
≠1 2(1 + x) ≠x 2(1 + x) 2(1 + x) 2 ≠1
2 ≠x
x2 ≠ 1 + 1 ≠ x2
= =0
4(1 ≠ x)
Es decir, la curva general de regresión de Y sobre X sólo existe para x œ (≠1, 1), en cuyo
caso viene dada por y = 0.
La recta de regresión de X sobre Y será la que tenga mayor pendiente en valor absoluto.
Reescribimos las rectas como
Probabilidad 77
Capı́tulo 4. Variables aleatorias multidimensionales
3
1. y = 13 ≠ x
2
2. y = 31 ≠ 6x
‡2 3 1 ‡2
fl =≠ = ≠6
‡1 2 fl ‡1
Si dividimos:
‡2 3
fl ≠ 3 1
= 2 =∆ fl2 =
‡1
=∆ fl = ≠
1 ‡2 ≠6 12 2
fl ‡1
Ejercicio 4.23. Se considera una variable aleatoria (X, Y ) con distribución N ormal2 . Se
sabe que las rectas de regresión tienen por ecuaciones x ≠ y + 2 = 0, 3x ≠ 10y + 40 = 0; y
que la suma de las varianzas de X e Y es 1,3. Determinar la correspondiente función
de densidad.
Sean A B A B
µ ‡12 ‡12
µ= 1 =
µ2 ‡21 ‡22
Con µ1 = E[X], µ2 = E[Y ], ‡12 = V ar(X), ‡22 = V ar(Y ), ‡12 = ‡21 = Cov(X, Y )
Evaluamos µ1 , µ2 como solución de las ecuaciones de las rectas de regresión. Si resolvemos
el sistema obtenemos Q R
20
c7d
µ = a 34 b
7
La recta de regresión de Y sobre X es de la forma
‡12 ‡2
y = µ2 + 2 (x ≠ µ1 ) © y = µ2 + fl (x ≠ µ1 )
‡1 ‡1
‡12 1 ‡2
x = µ1 + 2 (y ≠ µ2 ) © y = µ2 + (x ≠ µ1 )
‡2 fl ‡1
La recta de regresión de X sobre Y será la que tenga mayor pendiente en valor absoluto.
Reescribimos las rectas como
3
1. y = x+4
10
2. y = x + 2
78 Probabilidad
La recta de regresión de Y sobre X es la 1, y la 2 es la recta de regresión de X sobre Y .
Además,
3 ‡2 ‡12
=fl = 2
10 ‡1 ‡1
1 ‡2 ‡12
1= = 2
fl ‡1 ‡2
Por lo tanto: Q R
3
c1 10 d
=a3 3b
10 10
Entonces,
1 1
e≠ 2 (x≠µ)
≠1 (x≠µ)
f(X,Y ) (x, y) =
T
¸ ˚˙ ˝ 2fi | |
x
Probabilidad 79
Convergencias estocásticas
5
Ejercicio 5.1. Sea {Xn : n Ø 1} una sucesión de variables aleatorias independientes e
idénticamente distribuidas Normales de media 0 y varianza 1. Estudiar la conver-
q
gencia en probabilidad de la sucesión {Yn : n Æ 1}, donde Yn = n≠1 ni=1 Xi2 .
3 4
n
ÿ 1 n
Xi2 ≥ ‰2n © Gamma a = , p =
j=1
2 2
Evaluamos
QA B≠ n R 2it n Q A B≠ n Rit
3 4≠ n n 2
2it 2 1 2it
1 2it
lı́m 1 ≠ = lı́m a 1 ≠ b = a lı́m 1 ≠ b = eit
næŒ n næŒ n næŒ n
2it 2it
Entonces,
Yn ≠≠≠æ Y =∆ Yn ≠≠≠æ Y (Y © 1)
L P
næŒ næŒ
Ejercicio 5.2. Sea {Xn : n Ø 1} una sucesión de variables aleatorias independientes
e idénticamente distribuidas Bernoulli(p), con 0 < p < 1. Sea la variable aleatoria
Vn = X1 X2 . . . Xn . Estudiar la convergencia en ley, la convergencia en probabilidad y
la convergencia casi segura de la sucesión {Vn : n Ø 1}.
Convergencia en ley
n
Ÿ
P (Vn = 1) = P (X1 = 1, . . . , Xn = 1) = P (Xj = 1) = pn
j=1
P (Vn = 0) = 1 ≠ P (Vn = 1) = 1 ≠ p n
81
Capı́tulo 5. Convergencias estocásticas
Entonces, Vn ≥ Bernoulli(pn )
Y
] 0 si u < 0
_ I
0 si u < 0
FVn (u) = 1 ≠ pn si 0 Æ u < 1 ≠≠≠æ FV (u) =
_
[ 1 næŒ 1 si 0 Æ u
si 1 Æ u
Convergencia en probabilidad
Entonces,
A Œ B
‹
Vn ≠≠≠æ 0 ≈∆ ’ Á > 0, lı́m P : Vm (w) < Á} = 1
c.s.
{w œ
næŒ næŒ
m=n
y para Á < 1
A Œ B A Œ B
‹ ‹
P {w œ : Vm (w) < Á} = P {w œ : Vm (w) = 0} = P (Vn = 0) = 1≠pn ≠≠≠æ 1
næŒ
m=n m=n
=∆ Vn ≠≠≠æ V
c.s.
næŒ
Ejercicio 5.3. Sea (X, Y ) la variable aleatoria con función de densidad conjunta
I
4≠1 e≠ 2 si x > 0, ≠1 < y < 1
x
f(x, y) =
0 en caso contrario
Se pide:
82 Probabilidad
a) Sea {Xn : n Æ 1} una sucesión de variables aleatorias independientes e idéntica-
mente distribuidas con ley L(X). Hallar la distribución de
n
ÿ
Yn = Xi
i=1
1
Estudiar la convergencia en ley de la sucesión {Vn : n Ø 1}, donde Vn = Yn .
n2
b) Sea Zn una variable aleatoria tal que Zn /X = x es Poisson de parámetro nx.
Calcular la distribución de Zn y estudiar la convergencia en ley de la sucesión
{Zn : n Ø 1}.
s
a) Evaluamos fX (x) = R f(x, y)dy
Si x Æ 0
fX (x) = 0
Si x > 0 ⁄ 1
1 ≠x 1 x 1 x
fX (x) = e 2 dy = e≠ 2 [y]1≠1 = e≠ 2
≠1 4 4 2
3 4 3 4
1 n
ÿ 1
=∆ X ≥ Exp =∆ Yn = Xi ≥ Gamma a = , p = n
2 i=1
2
1
Entonces, Vn = Yn tiene función caracterı́stica
n2
3 4
t 1
ÏVn (t) = Ï Yn (t) = ÏYn =1 2n
n2 n2 1≠ 2it
n2
Si estudiamos el lı́mite:
Q R 2it
3 4≠n A B≠ n2 ≠ n2 (≠n)
2it c 1 2it
d lı́m 2it
lı́m 1 ≠ = lı́m a 1 ≠ ≠n2 b = enæŒ n = 1
næŒ n2 næŒ
2it
b) Evaluamos
⁄ ⁄ Œ
! ≠nx " (nx)z 1 ≠ 1 x
P (Zn = z) = P (Zn = z/X = x)fX (x)dx = e e 2 dx
R 0 z! 2
1 2z+1
⁄ Œ ⁄ Œ 1 +n
nz nz
e≠( 2 +n)x x(z+1)≠1 dx = e≠( 2 +n)x xz dx
1 z! 2 1
= 1 2z+1
2z! 0 2z! 1
+n 0 (z + 1)
2
nz z! nz
= 1 2 = 1 2
2z! 1 + n z+1 2 1 + n z+1
2 2
Probabilidad 83
Capı́tulo 5. Convergencias estocásticas
nz
P (Zn = z) = 1 2z+1 , z œ N0
1
2 2 +n
Entonces,
A Bz
Œ
ÿ nz 1 Œ
ÿ neit
ÏZn (t) = eitz 1 2z+1 = 1 2 1
z=0 2 12 + n 2 12 + n z=0 2 +n
neit n
|1 |= 1 |eit | < 1
2 +n 2 +n
Como el módulo de la razón de la serie geométrica es menor que 1, la serie converge. Por
tanto,
1 1 1
ÏZn (t) = =
2n + 1 neit 1 + 2n(1 ≠ eit )
1≠ 1
2 +n
Si t = 2kfi
1
eit = cos(t) + i sen(t) = 1 =∆ lı́m =1
næŒ 1+0
Si t ”= 2kfi
1
eit ”= 1 =∆ lı́m =0
næŒ 1 + 2n(”= 0)
84 Probabilidad
1 2
Sea Zn = eXn y sea Gn (z) = P (Zn Æ z). Entonces, Gn (z) = P eXn Æ z = P (Xn Æ ln z) =
Fn (ln z), lo que implica que
I
0 si ln z < c
Gn (z) = Fn (ln z) ≠≠≠æ
næŒ 1 si ln z > c
I
0 si z < ec
≈∆ Gn (z) ≠≠≠æ G(z) =
L
næŒ 1 si z > ec
=∆ Zn ≠≠≠æ ec =∆ Zn ≠≠≠æ ec
L P
næŒ næŒ
Sea
Q R1
n n
Ÿ
Yn = a Xj b
j=1
Evaluamos
3 4 Ÿn 3 4 3 3 44n
t t t
ÏZn (t) = Ïqn ln Xj = Ïln Xj = Ïln X1
j=1 n j=1
n n
donde
⁄ 1 C D1
Ë
it ln X1
È Ë È uit+1 1
Ïln X1 (t) = E e =E X1it = u du =
it
=
0 it + 1 0
1 + it
Entonces,
A Bn 3 4≠n
1 it
ÏZn (t) = = 1+ ≠≠≠æ e≠it = ÏZ (t), Z ≥ Degenerada(≠1)
1 + i nt n næŒ
Probabilidad 85
Capı́tulo 5. Convergencias estocásticas
a) Xi ≥ N ormal(0, ‡ 2 ), i Ø 0
b) Xi ≥ Cauchy(0, 1), i Ø 0
Por el teorema de continuidad de Paul Levy, si lı́mnæŒ Ïn (t) = Ï(t), siendo Ï una función
continua en t = 0, entonces Ï es la función caracterı́stica de una función de distribución F tal que
Fn æ F (en ley) cuando n æ Œ. Siendo {Fn : n Ø 1} una sucesión de funciones de distribución
sobre R y {Ïn : n Ø 1} la correspondiente sucesión de funciones caracterı́sticas.
t2 ‡ 2
a) Tenemos que ÏXj = e≠ 2 ’ t œ R. Evaluamos
n
Ÿ n
Ÿ 3 4 n
Ÿ 2! "2
t ≠ ‡2 t
ÏYn (t) = Ïqn (t) = Ï (t) = ÏXj = e 2n+1≠j
2n+1≠j
Xj Xj
j=0 2n+1≠j j=0 2n+1≠j j=0 j=0
qn ‡ 2 t2 ‡ 2 t2
qn ‡ 2 t2
qn ‡ 2 t2 4≠4n ≠1
22j 4j
=e =e =e = e≠ 22n+3
≠ ≠ ≠
j=0 22n+3≠2j 22n+3 j=0 22n+3 j=0 4≠1
‡ 2 t2 4n+1 ≠1
= e≠ 24 4n
Evaluamos
‡ 2 t2 4n+1 ≠1 ‡ 2 t2
lı́m ÏYn (t) = lı́m e≠ 24 4n = e≠ 6 = ÏY (t)
næŒ næŒ
A B
‡2
donde Y ≥ N ormal 0,
3
Entonces Yn converge en ley a Y cuando n æ Œ
b) Evaluamos
n
Ÿ n
Ÿ 3 4 n
Ÿ n
Ÿ
t t |t|
ÏYn (t) = Ïqn = (t) = = =
≠| n+1≠j | ≠ n+1≠j
Ï ÏXj 2 e 2 e
2n+1≠j
Xj Xj
j=0 2n+1≠j j=0 2n+1≠j j=0 j=0 j=0
qn qn
= e≠ 2n+1 ·(2 )
1 2n 2≠1
2j
|t| |t| |t| n+1 ≠1
=e =e = e≠ 2n+1
≠|t| ≠ 2≠1
j=0 2n+1≠j 2n+1 j=0
Planteamos
2n+1 ≠1
lı́m ÏYn (t) = lı́m e≠|t| 2n+1 = e≠|t| = ÏY (t)
næŒ næŒ
86 Probabilidad
Fijando Á > 0 calculamos la probabilidad P ({w œ : |Xn (w)| Æ Á}).
⁄ Á
n 11
P (|Xn | Æ Á) = P (≠Á Æ Xn Æ Á) = dx = [arctan(nx)]Á≠Á
≠Á fi 1 + (nx)
2 fi
! fi"
arctan(nÁ) ≠ arctan(≠nÁ) fi
≠ ≠2
= ≠≠≠æ 2 =1
fi næŒ fi
=∆ Xn ≠≠≠æ 0
P
næŒ
m2 # $
Para analizar si Xn ≠≠≠æ 0, planteamos E Xn2 = Œ, Xn no es integrable, E[|Xn |] = Œ:
næŒ
⁄ Œ ⁄ Œ
1 n|x| 2 nx 2Ë 2
Ȍ
E[|Xn |] = dx = dx = ln(1 + (nx) ) =Œ
≠Œ fi 1 + (nx) 1 + (nx)2
2 fi fi 0
0
Ejercicio 5.7. Sea {Xn : n Ø 1} una sucesión de variables aleatorias independientes con
distribuciones Poisson de parámetro n. Demostrar que
Xn ≠ n
Ô
n
j=1
j=1 j=1
Yn = máx(X1 , . . . , Xn )
Zn = nYn
Tn = n– (1 ≠ Yn )
Estudiar la convergencia en ley de las sucesiones {Yn : n Ø 1}, {Zn : n Ø 1} y {Tn : n Ø 1}.
Yn = máx(X1 , . . . , Xn )
Evaluamos FYn (y) = P (Yn Æ y)
• Si y < 0
FYn (y) = P (ÿ) = 0
Probabilidad 87
Capı́tulo 5. Convergencias estocásticas
• Si 0 Æ y < 1
• Si y Ø 1
FYn (y) = 1
Entonces
Y
] 0 si y < 0
_ I
0 si y < 1
FYn (y) = yn si 0 Æ y < 1 ≠≠≠æ FY (y) = Y ≥ Degenerada(1)
_
[ 1 næŒ 1 si y Ø 1
si y Ø 1
=∆ Yn ≠≠≠æ Y
L
næŒ
Zn = nYn
• Si z < 0
GZn (z) = 0
• Si 0 Æ z < n
3 4 3 4 3 4n
z z z
GZn (z) = P (Zn Æ z) = P (nYn Æ z) = P Yn Æ = FYn =
n n n
• Si z Ø n
GZn (z) = 1
Por tanto, Y
_
_ 0 si z < 0
] 3 z 4n
GZn (z) = si 0 Æ z < n ≠≠≠æ 0, ’z œ R
_
_ n næŒ
[
1 si z Ø n
Tn = n– (1 ≠ Yn )
• Si t < 0
FTn (t) = 0
• Si 0 Æ t < n–
3 4 3 4
t t
FTn (t) = P (Tn Æ t) = P (n (1 ≠ Yn ) Æ t) = P 1 ≠ Yn Æ –
–
= P Yn Ø 1 ≠ –
n n
3 4 3 4
t t n
= 1 ≠ P Yn < 1 ≠ – = 1 ≠ 1 ≠ –
n n
• Si t Ø n–
FTn (t) = 1
88 Probabilidad
Por tanto, Y
_
_ 0 3 4n si t < 0
] t
FTn (t) = 1≠ 1≠ si 0 Æ t < n–
_
_
[ n–
1 si t Ø n–
Distinguimos:
• Si – = 1
Y
_
_ 0 3 4n si t < 0 I
] t 0 si t < 0
FTn (t) = 1 ≠ 1 ≠ – si 0 Æ t < n– ≠≠≠æ FT (t) =
_
_ n næŒ 1 ≠ e≠t si t Ø 0
[
1 si t Ø n–
=∆ Tn ≠≠≠æ T,
L
T ≥ Exponencial(1)
næŒ
• Si – > 1
FTn (t) ≠≠≠æ 0, ’t œ R
næŒ
=∆ Tn ≠≠≠æ T,
L
T ≥ Degenerada(0)
næŒ
1
P (Xn = 2n ) = P (Xn = ≠2n ) =
22n+1
1
P (Xn = 0) = 1 ≠
22n
a)
1 1
E[Xn ] = 2n · + (≠2n ) +0=0
22n+1 22n+1
Probabilidad 89
Capı́tulo 5. Convergencias estocásticas
Ë È Ë È 1 1 1
V ar(Xn ) = E Xn2 ≠ (E[Xn ])2 = E Xn2 = 22n + 22n + 0 = 22n+1 =1
22n+1 22n+1 22n+1
1 ÿ n
1 1
=∆ lı́m 2
‡j2 = lı́m 2 n = lı́m = 0
næŒ n næŒ n næŒ n
j=1
qn Ëq È
n qn qn
j=1 Xj ≠ E j=1 E[Xj ] 1ÿ n
j=1 Xj j=1 Xj ≠
=∆ = = Xj ≠≠≠æ 0
c.s.
n n n j=1 næŒ
b)
Chequeamos
1 ÿn
2 1 ÿ
n
1 ln(n + –)
2
‡j = 2 ln(j + –) Æ 2 n ln(n + –) =
n j=1 n j=1 n n
1
1 ÿn
2 ln(n + –) 1 ÿ
n
=∆ 0 Æ lı́m 2 ‡j Æ lı́m = lı́m n+–
= 0 =∆ lı́m 2 ‡j2 = 0
næŒ n
j=1
næŒ n næŒ 1 næŒ n j=1
1ÿ n
=∆ Xj ≠≠≠æ 0
P
n j=1 næŒ
1ÿ n
=∆ Xj ≠≠≠æ 0
c.s.
n j=1 næŒ
90 Probabilidad
Ô Ô
Veamos que ln(x) < x cuando x Ø 1. Consideramos g(x) = x ≠ ln(x). Entonces
1 1
g Õ (x) = Ô ≠ . En concreto,
2 x x
Ô
g Õ (x) = 0 ≈∆ x = 2 x ≈∆ x2 = 4x ≈∆ x(x ≠ 4) = 0 =∆ x = 4
1 3 1 ≠1 1
g ÕÕ (x) = ≠ x≠ 2 + 2 =∆ g ÕÕ (4) = Ô + >0
4 x 4 43 16
Por tanto, la función g(x) tiene un mı́nimo para x Ø 1 en x = 4 y g(4) > 0. Esto implica
que g(x) Ø g(4) > 0, ’ x Ø 1
donde
3 3 4 3 4 3 4 3 44
Ë 1 it 1
È 1 ≠it 1 1 t t t t
ÏXj (t) = E E itXj
= e 2j + e 2j = cos j + i sen j + cos ≠ j + i sen ≠ j
2 2 2 2 2 2 2
3 4 3 4
1 t t
= 2 cos j = cos j
2 2 2
sen(2x)
Entonces, usando la igualdad cos(x) = :
2 sen(x)
3 4 3 4 3 4 3 4
t t t t
3 4 Ÿ n sen sen sen 2 sen n≠1
n
23 4 sen(t)
32 4 · 32 4 · . . . · 23 4
Ÿ t j≠1
ÏYn (t) = cos j = = 3 4·
2 j=1 2 sen
t t t t t
j=1 2 sen 2 sen 2 2 sen 4 2 sen n
2 j 2 2 2 2
sen(t)
= 3 4, t ”= 0
t
2 sen n
n
2
ÏYn (0) = 1
Entonces, ’ t ”= 0
sen(t) sen(t) sen(t)
lı́m ÏYn (t) = lı́m 3 4 = lı́m =
næŒ næŒ t næŒ n t t
2 sen n
n 2 n
2 2
=∆ Yn ≠≠≠æ Y Y ≥ Uniforme(≠1, 1)
L
næŒ
Probabilidad 91
Capı́tulo 5. Convergencias estocásticas
Convergencia en ley
Calculamos
3; <4 3 4
1 1
P (Yn = 0) = P wœ : X(w) œ [0, 1 ≠ ) = P 0 Æ Xn < 1 ≠
n n
3 4
1≠
≠ FX (0≠ ) = 1 ≠ e≠⁄(1≠ n ) ≠ 0 = 1 ≠ e≠⁄(1≠ n )
1 1
= FX 1 ≠
n
3; <4 3 4
1 1
P (Yn = 1) = P w œ : X(w) œ [1 ≠ , n) = P 1 ≠ Æ X < n
n n
3 4
1 ≠ 1 2
= 1 ≠ e≠⁄n ≠ 1 ≠ e≠⁄(1≠ n ) = e≠⁄(1≠ n ) ≠ e≠⁄n
1 1
= FX (n≠ ) ≠ FX 1 ≠
n
P (Yn = n) = 1 ≠ P (Yn = 0) = e≠⁄n
Entonces
Y
_ 0 si y<0 Y
] 0 si y < 0
_
_ _
1 ≠ e≠⁄( 1≠ n1 )
]
si 0Æy<1
FYn (y) = ≠≠≠æ FY (y) = 1 ≠ e≠⁄ si 0 Æ y < 1
_ 1 ≠ e≠⁄n si 1 Æ y < n næŒ _
[ 1
_
_
[ si y Ø 1
1 si yØn
=∆ Yn ≠≠≠æ Y, Y ≥ Bernoulli(e≠⁄ )
L
næŒ
Convergencia en probabilidad
Definimos la variable aleatoria
I
0 si X(w) œ [0, 1]
Y (w) =
1 si X(w) œ (1, Œ)
• 0<Á<1
3; 5 6 <4
1
P ({w œ : |Yn (w) ≠ Y (w)| > Á}) = P w œ : X(w) œ 1 ≠ , 1 fi [n, Œ)
n
3 4 3 4
1 1 ≠
= P 1 ≠ Æ X Æ 1 + P (X Ø n) = FX (1) ≠ FX 1 ≠ + 1 ≠ FX (n≠ )
n n
1 2 1 2
≠⁄(1≠ n1 ) ≠⁄(1≠ n1 )
=1≠e ≠ 1≠e
≠⁄
+1≠ 1≠e≠⁄n
=e ≠ e≠⁄ + e≠⁄n
næŒ
92 Probabilidad
• ÁØ1
P ({w œ : |Yn (w) ≠ Y (w)| > Á}) = P ({w œ : X(w) Ø n})
= 1 ≠ FX (n≠ ) = e≠⁄n ≠≠≠æ 0
næŒ
Por tanto,
P
Yn ≠≠≠æ Y
næŒ
=∆ Yn ≠≠≠æ Y
c.s.
næŒ
Convergencia en m2
Calculamos
3 4
Ë
2
È 1
E (Yn ≠ Y ) = 1 · P 1 ≠ Æ X Æ 1 + (n ≠ 1)2 · P (X Ø n)
2
n
3 4
1≠ ! "
= FX (1) ≠ FX 1 ≠ + (n ≠ 1)2 · 1 ≠ FX (n≠ )
n
≠⁄(1≠ n1 )
=e ≠ e + (n ≠ 1)2 e≠⁄n ≠≠≠æ e≠⁄ ≠ e≠⁄ = 0
≠⁄
næŒ
Entonces,
m2
Yn ≠≠≠æ Y
næŒ
Ejercicio 5.12. Una empresa está especializada en la producción de tuercas. La ex-
periencia en los últimos años muestra que la probabilidad de producir una tuerca
defectuosa es 0.035. Las tuercas se empaquetan en cajas de 100 unidades. Determinar
el porcentaje de cajas sin más de dos tuercas defectuosas.
Sea X = “número de tuercas defectuosas en una caja”. X ≥ Bin(n = 100, p = 0,035), entonces
2 2
A B
ÿ ÿ 100
P (X Æ 2) = P (X = k) = 0,035k (1 ≠ 0,035)100≠k = 0,31590
k=0 k=0
k
Probabilidad 93
Capı́tulo 5. Convergencias estocásticas
Ejercicio 5.13. Una urna contiene 10 bolas numeradas del cero al nueve. De la urna
se extraen n bolas con reemplazamiento.
a) Señalar qué dice la ley de los grandes número sobre la aparición de ceros.
b) Determinar cuántas extracciones será preciso efectuar para que, con probabilidad
0.95, la frecuencia relativa de aparición de ceros esté comprendida entre 0.09 y
0.11.
a) Definimos
I
1 si se obtiene “0” en la n-ésima extracción
Xn =
0 en caso contrario
1ÿ n
c.s./P 1
Xj ≠≠≠≠æ p =
n j=1 næŒ 10
b) En la n-ésima extracción
1 1ÿ n
Sn = Xj
n n j=1
representa la frecuencia relativa de la aparición del dı́gito “0”. Debe evaluarse el menor n œ N
tal que
QY ZR
] 1ÿ
n ^
P a wœ : Xj (w) œ (0,09 , 0,11) b Ø 0,95
[ n j=1 \
Sn ≠ E[Sn ] Sn ≠ 10
n
= 3 n ≠≠≠æ Z ≥ N ormal(0, 1)
L
Ô
V ar(Sn ) næŒ
10
3 4
1
Donde Sn ≥ Bin n, p = , por lo que
10
n 1 9 9n
E[Sn ] = np = V ar(Sn ) = np(1 ≠ p) = n =
10 10 10 100
94 Probabilidad
Por tanto,
3 4
Sn
0,95 Æ P 0,09 < < 0,11 = P (0,09n ≠ 0,1n < Sn ≠ 0,1n < 0,11n ≠ 0,1n)
n
Q R A Ô Ô B
≠0,01n S ≠ 0,1n 0,01n ≠0,1 n 0,1 n
= P a 3Ô n <
n
Ô < 3Ô n b ƒ P <Z<
3 n 3 3
10 10 10
A Ô B A Ô B A Ô B A Ô B
0,1 n 0,1 n ≠0,1 n ≠0,1 n
= FZ ≠ FZ ≠ =1≠P Z < ≠P Z Æ
3 3 3 3
A Ô B A Ô B
0,1 n 0,1 n
= 1 ≠ 2P Z < ≠ = 1 ≠ 2P Z >
3 3
Entonces,
A Ô B A Ô B
0,1 n 0,1 n
0,95 = 1 ≠ 2P Z > ≈∆ P Z > = 0,025
3 3
Ô
0,1 n
=∆ = 1,96 =∆ n = 3457,4
3
Tomamos n = 3458.
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 cumple la ley fuerte de los grandes números.
Convergencia en ley
Evaluamos
Y
_
_ 0 si x < ≠2
_ 1
_
_
_ 4n si ≠ 2 Æ x < ≠1 I
_
] 1
si ≠1Æx<0 0 si x < 0
FXn (x) = 2n
1 ≠≠≠æ FX (x) =
_
_ 1≠ 2n si 0Æx<1 næŒ 1 si x Ø 0
_
_ 1
_
_
_ 1≠ 4n si 1Æx<2
[
1 si xØ2
=∆ Xn ≠≠≠æ X,
L
X ≥ Degenerada(0)
næŒ
Convergencia en probabilidad
Xn ≠≠≠æ 0 =∆ Xn ≠≠≠æ 0
L P
næŒ næŒ
Probabilidad 95
Capı́tulo 5. Convergencias estocásticas
m2
=∆ Xn ≠≠≠æ 0
næŒ
por lo que
Sn ≠ E[Sn ] c.s.
≠≠≠æ 0
Bn næŒ
3 4
1 1
Ejercicio 5.15. Sea › una variable aleatoria Uniforme sobre el intervalo ≠ , . Se
◊ ◊
definen las variables aleatorias ÷ = ◊› y
Y
_ 1
_
_
_ ≠1 si ÷(w) œ [≠1, ≠ )
_
] i
1 1
Xi (w) = 0 si ÷(w) œ [≠ , )
_
_ i i
_
_ 1
[ 1
_ si ÷(w) œ [ , 1)
i
Estudiar la convergencia en probabilidad, casi segura y en media cuadrática de la
sucesión {Xn : n Ø 1}.
96 Probabilidad
Convergencia en ley
Evaluamos
3 4 3 4 3 4
1 1 1 1
P (Xn = ≠1) = P ≠1 Æ ÷ < ≠ = P ≠1 Æ ◊› < ≠ =P ≠ Æ›<≠
n n ◊ n◊
⁄ ≠1 ⁄ ≠ 1 ≠1 3 4
1 ◊n 2 ◊ 1 1
= 1 2 dx = dx =
◊n
≠
1 1 1 1 ◊ ≠1 2 ◊ ◊n
◊ ≠ ≠◊
≠◊ ≠◊
3 4 3 4
◊ 1 1 1 1
= · 1≠ = 1≠
2 ◊ n 2 n
3 4
1 1 1
P (Xn = 0) = P ≠ Æ ÷ < =
n n n
3 4 3 4
1 1 1
P (Xn = 1) = P Æ÷<1 = 1≠
n 2 n
Entonces,
Y
_
_ 01 2 si x < ≠1 Y
] 0 si x < ≠1
_
_ _
] 1 1≠ 1 si ≠ 1 Æ x < 0
2 1
FXn (x) = 1
1n
1
2 ≠≠≠æ FX (x) = 2 si ≠ 1 Æ x < 1
_
_
_ 1 ≠ 2 1 ≠ n si 0 Æ x < 1 næŒ _
[ 1 si x Ø 1
_
[
1 si x Ø 1
; <
1
donde FX (x) ≥ X, es decir, DX = {≠1, 1} y pX (≠1) = pX (1) = . Por ello Xn ≠≠≠æ X
L
2 næŒ
Es decir, de todas las posibles variables aleatorias con soporte DX y función de masa pX (·),
elegimos una variable aleatoria cuyos valores dependen de los valores de ÷(x).
Distinguimos:
• ÁØ1 A Œ B
€
lı́m P {w œ : |Xm (w) ≠ X(w)| Ø Á} = lı́m 0 = 0
kæŒ kæŒ
m=k
• 0<Á<1
A Œ B A Œ ; <B
€ 1 1
€
lı́m P {w œ : |Xm (w) ≠ X(w)| > Á} = lı́m P w œ : ≠ Æ ÷(w) <
næŒ næŒ m m
m=n m=n
3 4 3 4
1 1 1 1 1
= lı́m P ≠ Æ ÷(w) < = lı́m P ≠ Æ › < = lı́m = 0
næŒ n n næŒ n◊ n◊ næŒ n
En definitiva, Xn ≠≠≠æ X
c.s.
næŒ
Convergencia en probabilidad
Como Xn ≠≠≠æ X, tenemos que Xn ≠≠≠æ X.
c.s. P
næŒ næŒ
Probabilidad 97
Capı́tulo 5. Convergencias estocásticas
Convergencia cuadrática
Planteamos
3 4
Ë
2
È
2 1 1 1
lı́m E |Xn ≠ X| = lı́m 1 · P ≠ Æ ÷ < = lı́m = 0
næŒ næŒ n n næŒ n
m2
Entonces, Xn ≠≠≠æ X
næŒ
p n
E[÷n ] =
= =n
a 1
p n
V ar(÷n ) = 2 = 2 = n
a 1
÷n ≠ n L
=∆ Ô ≠≠≠æ N ormal(µ = 0, 1)
n næŒ
3 4 3 4
÷n ≠ n 24 ≠ n 24 ≠ n
0,95 = P (÷n Ø 24 meses) = P Ô Ø Ô ƒP ZØ Ô
n n n
24 ≠ n Ô
=∆ ≠1,64 ƒ Ô ≈∆ (m = n) 24 ≠ m2 = ≠1,64m
n
≈∆ m2 ≠ 1,64m ≠ 24 = 0 ≈∆ m = 5,787 ó ≠ 4,147
=∆ m = 5,787 =∆ n = 33,489
=∆ tomamos como solución el valor n = 34
98 Probabilidad
Integrales en R2
A
f(x)
f(x)
C
a b
f :R æ R, f Ø 0 f :R2 æ R2 , f Ø 0
x ‘æ f(x) (x1 , x2 ) ‘æ f(x1 , x2 )
C = (a, b) œ R C µ R2
⁄ b ⁄
f(x)dx = Área f(x1 , x2 )dx1 dx2 = Volumen
a C
) *
Ejercicio A.1. Sea f(x1 , x2 ) = k con k > 0. Definimos C = (x1 , x2 ) œ R2 : x2 Æ x1
3 , x1 Æ 3, x2 Ø 0
Siempre hay que dibujar C: Evaluamos la integral. Hay que reexpresar la integral sobre el
conjunto como una integral iterada. x1 varı́a entre 0 y 3, y x2 varı́a en función de los valores de
x1 .
⁄ ⁄ 3⁄ x1
3
f(x1 , x2 ) dx1 dx2 = k dx2 dx1
C 0 0
99
Apéndice A. Integrales en R2
x2
x2 = x1
3
1
x1
3 C
0 x1 3 x1
⁄ 3⁄ ⁄ 3 D3
k x2
x1
3 k 3
k dx2 dx1 = x1 dx1 = · 1 = k
0 0 0 3 3 2 0
2
Ejercicio A.2. Con el mismo recinto del ejercicio anterior, tomamos otros recintos
basados en la intersección formada con rectángulos creados a partir de otro punto.
Cú
v = u/3
x2 (x1 , x2 )
x = 3v 3
100 Probabilidad
⁄ ⁄ x2 ⁄ 3 ⁄ x2 1 2 ⁄ x2
f(u, v) du dv = k du dv = k· u]33v dv = (k · (3 ≠ 3v)) dv =
Cú 0 3v 0 0
⁄ x2 A BDx2 A B
v2 x2
= 3k(1 ≠ v)dv = 3k v ≠ = 3k x2 ≠ 2 =
0 2 0
2
3 4
x2
= 3k · x2 · 1 ≠
2
En este caso hemos fijado la v primero pero, ¿qué habrı́a pasado si hubiéramos
fijado la u?
x2 (x1 , x2 )
u
3
0 u 3x2 u 3
La mı́nima v es 0, y la máxima x2 .
⁄ ⁄ 3x2 ⁄ u ⁄ 3 ⁄ x2
3
f(u, v) du dv = k dv du + k dv du
Cú 0 0 3x2 0
¸ ˚˙ ˝ ¸ ˚˙ ˝
(ú) (úú)
Probabilidad 101
Números complejos. La exponencial compleja. La exponencial real.
B
B.1. Números complejos
Definición B.1 (Número complejo). Un número complejo es un par ordenado de números reales
z = (a, b) donde llamamos Re(z) = a, Im(z) = b. El conjunto de números complejos se denota
por C.
Parte imaginaria
z = (a, b)
b
i
i2 = ≠1 a
Parte real
C
≠i
(a, b) + (c, b) = (a + c, b + d)
Definición B.3 (Unidad imaginaria). Se define la unidad imaginaria como i = (0, 1), es decir,
i2 = i · i = (≠1, 0)
103
Apéndice B. Números complejos. La exponencial compleja. La exponencial real.
b z = (a, b) = a + bi
Gráficamente:
b z = (a, b)
a
≠◊ C
≠b
z = (a, ≠b)
Propiedades:
z=z
z = z ≈∆ z œ R
104 Probabilidad
B.2. La exponencial compleja
z+w =z+w
≠z = ≠z
zw = z · w
z ≠1 = (z)≠1 , z ”= 0
|z|2 = z · z
|z · w| = |z| · |w|
|z + w| Æ |z| + |w|
Para z œ R
Œ
ÿ (iz)k
e =
iz
k=0
k!
Sabemos que:
i0 = 1
i1 = i
i2 = ≠1
i3 = ≠i
Œ
ÿ (iz)k Œ k
ÿ z z z2 z3 z4 z5
e =iz
= · i = 1 + · i ≠ ≠ · i + + · i + ... =
k
k=0
k! k=0
k! 1! 2! 3! 4! 5!
A B A B
z2 z4 z3 z5
= 1 ≠ + ≠ . . . +i · z ≠ + ≠ . . . = cos z + i sen z
2! 4! 3! 5!
¸ ˚˙ ˝ ¸ ˚˙ ˝
(ú) (úú)
Probabilidad 105
Apéndice B. Números complejos. La exponencial compleja. La exponencial real.
r=1
z
1
La representación (cos ◊ + i sen ◊) sirve para calcular más fácilmente potencias de números complejos.
3 4n
Œ
ÿ 1 1
e= = lı́m 1 +
k=0
k! næŒ n
106 Probabilidad