Variables aleatorias

Una variable aleatoria es una funcin del espacio muestral en el conjunto de o nmeros reales que adems satisface cierta condicin de medibilidad. Reu a o presenta una traduccin de cada uno de los resultados del espacio muestral o en nmeros reales. Mediante una variable aleatoria uno puede considerar u que el posible experimento aleatorio en cuestin no produce como resultao dos elementos de sino nmeros reales. El concepto de variable aleatoria u es fundamental en la teor de la probabilidad, y una vez que enunciemos su a denicin, el trmino aparecer con mucha frecuencia a lo largo del curso. o e a

ww

w.

at

2.1.

Variables aleatorias

em

at

ic

tulo se estudian los conceptos de variable aleatoria, funcin de o En este cap distribucin, funcin de densidad y esperanza. Se estudian tambin algunas o o e distribuciones de probabilidad de variables aleatorias discretas y continuas particulares. A partir de ahora y en el resto del curso consideraremos como elemento base un espacio de probabilidad (, F , P ).

a1

.c

om

 Definicion. (Variable aleatoria). Una variable aleatoria real es una funcin X : R tal que para cualquier conjunto Boreliano B, se o cumple que el conjunto X 1 B es un elemento de F .

X() R

Grcamente una variable aleatoria puede representarse como se muestra a en la Figura 2.1. Esto es, una variable aleatoria (a veces se escribe simplemente v.a.) es una funcin de en R tal que la imagen inversa de cualquier o conjunto Boreliano es un elemento de la -lgebra del espacio de probabia lidad. Esta condicin se conoce como medibilidad en teor de la medida, y o a se dice entonces que dicha funcin es medible respecto de las -lgebras F o a y B(R). En un apndice al nal del texto aparece una seccin que contiene e o una discusin breve del concepto de imagen inversa de una funcin, que o o para el caso de variables aleatorias puede ilustrarse grcamente como se a indica en la Figura 2.2. Explicamos a continuacin la razn tcnica por la cual se le pide a una funo o e cin X : R que cumpla la condicin de medibilidad. Recordemos que P o o es una medida de probabilidad denida sobre el espacio medible (, F ). Si X es una variable aleatoria, entonces podemos trasladar la medida de probabilidad P al espacio medible (R, B(R)) del siguiente modo: Si B es un conjunto Boreliano denimos PX (B) = P (X 1 B), lo cual es posible pues o el conjunto X 1 B es un elemento de F , dominio de denicin de P . La funcin PX : B(R) [0, 1] resulta ser una medida de probabilidad, y se le o llama por tanto la medida de probabilidad inducida por la variable aleatoria.

ww

w.

at

em at

ic a1

.c

om

Figura 2.1: Una variable aleatoria es una funcin medible de en R. o

X 1

X 1 B

B R

Figura 2.2: La imagen inversa de un conjunto de Borel. Se le conoce tambin con el nombre de distribucin o ley de probabilidad de e o X. A menudo se le denota por L(X). De este modo se construye el espacio de probabilidad (R, B(R), PX ). Si B es un conjunto Boreliano, se usan los s mbolos X 1 B y (X B) para denotar el conjunto { : X() B}. Por ejemplo, el conjunto { : X() [0, )} puede ser denotado por X 1 [0, ) o (X [0, )), e o simplemente por (X 0), incluyendo los parntesis. Veamos otro ejemplo, si (a, b) es un intervalo de la recta real, se puede usar el s mbolo X 1 (a, b), o (X (a, b)), o bien (a < X < b) para denotar el conjunto { : X() (a, b)}. Para hacer la escritura ms corta, a menudo se omite el argumento a de una variable X y se omite tambin el trmino variable aleatoria para e e X suponiendo, en la mayor de las veces, que lo es. a Para comprobar que una funcin X : R es realmente una variable aleao toria, la denicin requiere vericar la condicin X 1 B F para cualquier o o conjunto Boreliano B. En muy pocos casos tal condicin puede comprobarse o de manera tan directa. La siguiente proposicin establece que no es necesao rio demostrar la condicin de medibilidad para cualquier conjunto Boreliano o B, sino que es suciente tomar intervalos de la forma (, x], para cada x en R. Este resultado, como uno puede imaginar, es de suma utilidad y lo usaremos con frecuencia en el resto del cap tulo.

ww

w.

M at

em at

ic

a1

.c

om

 Proposicion. Una funcin X : R es una variable aleatoria si, y o slo si, para cada x en R se cumple que (X x) F . o Demostracin. o () Si X es variable aleatoria, entonces claramente se cumple que para cualquier nmero real x el conjunto (X x) es un elemento de F . u () Ahora suponga que para cada real x, el conjunto (X x) es un elemento de F . Sean B y C las colecciones B = {B B(R) : X 1 B F }, C

b) Sea B B. Entonces B B(R) y X 1 B F . Por lo tanto B c B(R) y X 1 B c = (X 1 B)c F . Es decir, B c B.

a) Primeramente tenemos que R B, pues R B(R) y X 1 R = F.

c) Sea B1 , B2 , . . . una sucesin en B. Es decir, para cada nmero o u natural n, Bn B(R) y X 1 Bn F . Entonces Bn n=1 B(R) y X 1 Bn = X 1 Bn F . Es decir, Bn n=1 n=1 n=1 B.

Adems de la condicin anterior para demostrar que una funcin es vaa o o riable aleatoria, existen otras condiciones igualmente equivalentes y utiles.

ww w.

at

o Entonces claramente C B B(R). La primera contencin es por hiptesis, y la segunda es por denicin de la coleccin B. Suponga por o o o un momento que B es una -lgebra de subconjuntos de R. Entonces a B es una -lgebra que contiene a C . Por lo tanto (C ) = B(R) B. a Esto implica que B = B(R), y entonces X es variable aleatoria. Resta entonces hacer ver que B es efectivamente una -lgebra. a

em

at ic

a1

.c om

= {(, x] : x R}.

Por ejemplo, X es variable aleatoria si para cada x en R, (X < x) F , o (X > x) F , o (X x) F . Cualquiera de estas condiciones es necesaria y suciente para que X sea variable aleatoria. Tambin es equie valente la condicin (a < X < b) F , para cualquier intervalo (a, b) de o R. La demostracin de todas estas aseveraciones es completamente anloga o a al caso demostrado arriba y se pide desarrollar los detalles en la seccin de o ejercicios. Considere ahora los espacios medibles (, F ) y (R, B(R)). Si X es una funcin de en R, entonces se denota por (X) a la m o nima -lgebra de a subconjuntos de respecto de la cual X es variable aleatoria. Definicion. (X) = { X 1 B : B B(R) }.

A continuacin se demuestra que algunas operaciones bsicas entre variao a bles aleatorias producen nuevas variables aleatorias. Suponga entonces que (, F , P ) es un espacio de probabilidad dado. Todas las variables aleatorias que se consideran a continuacin estn denidas sobre este mismo espacio o a de probabilidad. Proposicion. La funcin constante X = c es una variable aleatoria. o

Demostracin. Sea B un elemento cualquiera de B(R). Para la funcin o o constante X = c se tiene que X 1 B = si c B, y X 1 B = si c B. / En ambos casos el conjunto X 1 B es un elemento de F , por lo tanto X es

ww

w.

M at

Ejercicio. Diga falso o verdadero. Demuestre en cada caso. a) (X) = (X 2 ). b) (X) = (X). c) (X) = (2X).

em

Es sencillo probar que tal coleccin de imgenes inversas es efectivamente o a una -lgebra, y claramente X es variable aleatoria si, y slo si, (X) F . a o En particular, se dice que una funcin g : R R es Borel medible si o g1 B B(R), para cada B en B(R).

at ic a1

.c o

variable aleatoria. Proposicion. Si X es variable aleatoria y c es una constante, entonces cX tambin es variable aleatoria. e

ww w.

Demostracin. Probaremos que para cada nmero real x, el conjunto (X + o u Y > x) es un elemento de F . Para ello usaremos la igualdad (X + Y > x) =
rQ

at e

m
(X > r) (Y > x r).

at

ic

Proposicion. Si X y Y son v.a.s, entonces X + Y es variable aleatoria.

a1

.c om

Demostracin. Comprobaremos que para cada nmero real x, la imagen o u inversa del conjunto (, x], bajo la funcin cX, es un elemento de F . o Tenemos tres casos: Si c > 0, entonces el conjunto (cX x) = (X x/c) es un elemento de F , pues X es v.a. Si c < 0, entonces nuevamente el conjunto (cX x) = (X x/c) es un elemento de F pues X es v.a. Finalmente si c = 0, entonces es claro que cX es la constante cero que es v.a. por la proposicin anterior. o

(2.1)

Es claro que a partir de esta igualdad se concluye que el conjunto (X + Y > x) es un elemento de F , pues tanto X como Y son variables aleatorias, y la operacin de unin involucrada es numerable. Resta entonces demoso o trar (2.1). () Sea en tal que X() + Y () > x. Entonces X() > x Y (). Como los nmeros racionales son un conjunto denso en R, tenemos u que existe un nmero racional r tal que X() > r > x Y (). Por u lo tanto X() > r y Y () > x r. De aqui se desprende que es un elemento del lado derecho.

() Sea ahora un elemento de rQ (X > r) (Y > x r). Entonces existe un nmero racional r0 tal que X() > r0 y Y () > x r0 . u Sumando obtenemos X() + Y () > x, y por lo tanto es tambin e un elemento del lado izquierdo.

Proposicion. Si X y Y son v.a.s, entonces XY es variable aleatoria.

Proposicion. Sean X y Y v.a.s con Y = 0. Entonces X/Y es variable aleatoria.

Demostracin. Como el producto de variables aleatorias es nuevamente una o variable aleatoria, es suciente demostrar que 1/Y es variable aleatoria. Para

ww

Como consecuencia se cumple que si multiplicamos X por s misma n veces, n es variable aleatoria. Por lo tanto toda funcin polinomial de entonces X o una variable aleatoria es tambin variable aleatoria. e

w.

at

em at

Demostracin. Suponga primero el caso particular X = Y . Entonces neo cesitamos probar que para todo nmero real x, el conjunto (X 2 x) es u un elemento de F . Pero esto es cierto pues (X 2 x) = si x < 0, y (X 2 x) = ( x X x) si x 0. En ambos casos, el conjunto (X 2 x) es un elemento de F . Para el caso general, X = Y , usamos la frmula XY = ( (X + Y )2 (X Y )2 )/4. Por lo demostrado antes, el o producto XY es efectivamente una variable aleatoria.

ic a1

.c o

cualquier nmero real y > 0 tenemos que u ( 1 1 1 y) = ( y, Y > 0) ( y, Y < 0) Y Y Y 1 1 = (Y , Y > 0) (Y , Y < 0) y y 1 = (Y ) (Y < 0), y

que es un elemento de F puesto que Y es variable aleatoria. Por otro lado, si y < 0 tenemos que ( 1 1 1 y) = ( y, Y > 0) ( y, Y < 0) Y Y Y 1 1 = (Y , Y > 0) (Y , Y < 0) y y 1 = (Y , Y < 0) y 1 = ( Y < 0). y

1 1 1 0) = ( 0, Y > 0) ( 0, Y < 0) Y Y Y = (Y < 0) = (Y < 0).

Proposicion. Si X y Y son variables aleatorias, entonces mx{X, Y } a y m n{X, Y } tambin lo son. e

ww

Nuevamente vemos que este conjunto es un elemento de F , puesto que Y es v.a. Finalmente cuando y = 0 obtenemos una vez mas un elemento de F pues

w.

M at

em at

ic

a1

.c

om

Demostracin. Para cualquier nmero real x, u o (mx{X, Y } x) = (X x, Y x) = (X x) (Y x). a Anlogamente, a (m n{X, Y } x) = (X x, Y x) = (X x) (Y x).

Como consecuencia se obtiene que tanto X + = mx{0, X} como X = a m n{0, X} son variables aleatorias. Proposicion. Si X es variable aleatoria, entonces |X| es variable aleatoria.

Se muestra a continuacin que en general el rec o proco de la proposicin o anterior es falso, esto es, si X : R es una funcin tal que |X| es o variable aleatoria, entonces no necesariamente X es variable aleatoria. Ejemplo. Considere el espacio muestral = {1, 0, 1} junto con la lgebra F = {, {0}, {1, 1}, }. Sea X : R la funcin identidad a o X() = . Entonces |X| es variable aleatoria pues para cualquier conjunto Boreliano B, si 0, 1 B, {1, 1} si 0 B y 1 B, / |X|1 B = {0} si 0 B y 1 B, / si 0, 1 B. /

ww

w.

at e

Demostracin. Si x 0, entonces (|X| x) = (x X x), y si x < o 0, entonces (|X| x) = F , de modo que |X| es variable aleatoria. Alternativamente se puede escribir |X| = X + + X , y por lo expuesto anteriormente obtener la misma conclusin. o

at

ic

a1

.c o

Es decir, |X|1 B es un elemento de F . Sin embargo X no es variable aleatoria pues el conjunto X 1 {1} = {1} no es un elemento de F . Ahora consideraremos algunas operaciones l mite en sucesiones innitas de variables aleatorias. Slo consideraremos variables aleatorias con valores o nitos, de modo que impondremos condiciones sobre la nitud del resultado al tomar tales operaciones l mite. Proposicion. Sea X1 , X2 , . . . una sucesin innita de variables aleatoo rias tales que para cada en , los nmeros u sup {X1 (), X2 (), . . .} e {X1 (), X2 (), . . .} nf
n0

em

Demostracin. Para cualquier nmero real x, o u ( sup Xn x ) =

at

n0

at

ww w.

( Xn x ) = nf
n0

El siguiente resultado hace uso de las operaciones de l mite superior e inferior para sucesiones numricas, el lector puede encontrar una revisin breve de e o estas operaciones al nal del texto.

ic a1
n=1 n=1

aleatorias.

(Xn x), (Xn x).

.c

om

son nitos. Entonces las funciones sup {Xn } e {Xn } son variables nf
n0

 Proposicion. Sea X1 , X2 , . . . una sucesin innita de variables aleatoo rias tales que para cada en , los nmeros u l sup {X1 (), X2 (), . . .} y l inf {X1 (), X2 (), . . .} m m son nitos. Entonces las funciones l sup Xn y l inf Xn son variables m m aleatorias.
n n

Demostracin. Esto es consecuencia de la proposicin anterior pues o o l sup Xn = ( sup Xn ), m nf

n k nk

Finalmente demostramos que el l mite de una sucesin de variables aleatoo rias convergente es variable aleatoria. Proposicion. Sea X1 , X2 , . . . una sucesin innita de variables aleatoo rias tales que l Xn () existe y es nito para cada . Entonces m n la funcin l Xn es una variable aleatoria. o m
n

Demostracin. Como el l o mite de Xn existe, los l mites superior e inferior de esta sucesin coinciden. Entonces por lo demostrado antes, el l o mite de Xn es variable aleatoria.

ww

w.

at

em at

ic a

1.c

nk

om

l inf Xn = sup ( Xn ). m nf

2.2.

Funcin de distribucin o o

o Toda variable aleatoria tiene asociada una funcin llamada de distribucin. o En esta seccin se dene esta importante funcin y se demuestran algunas o o de sus propiedades. Definicion. (Funcion de distribucion). La funcin de distribucin o o de una variable aleatoria X es la funcin F (x) : R [0, 1], denida o como sigue F (x) = P (X x).

La funcin de distribucin es importante pues, como se ilustrar ms adelano o a a te, contiene ella toda la informacin de la variable aleatoria y la correspono diente medida de probabilidad. Veremos a continuacin algunas propiedades o bsicas de esta funcin, en una de las cuales aparece la expresin F (x+), a o o que signica el l mite por la derecha de la funcin F en el punto x. Apareo cer tambin la expresin F (x), que signica, de manera anloga, el l a e o a mite por la izquierda de la funcin F en el punto x. o

ww w.

Cuando sea necesario especicar la variable aleatoria en cuestin se escribe o FX (x), pero en general se omite el sub ndice X cuando no haya posibilidad de confusin. El argumento de la funcin es la letra minscula x que puede o o u tomar cualquier valor real. Por razones obvias a esta funcin se le conoce o tambin con el nombre de funcin de acumulacin de probabilidad, o funcin e o o o de probabilidad acumulada. Observe que la funcin de distribucin de una o o variable aleatoria est denida sobre la totalidad del conjunto de nmeros a u reales, y siendo una probabilidad, toma valores en el intervalo [0, 1].

at

em

at

ic

a1

.c

om

 Proposicion. Sea F (x) la funcin de distribucin de una variable aleao o toria. Entonces 1. 2.
x+

l F (x) = 1. m l F (x) = 0. m

3. Si x1 x2 , entonces F (x1 ) F (x2 ). 4. F (x) es continua por la derecha, es decir, F (x+) = F (x).

2. Sea ahora {xn : n N} una sucesin cualquiera de nmeros reales o u decreciente a menos innito, y sean los eventos An = (X xn ). Entonces {An : n N} es una sucesin de eventos decreciente al o conjunto vac Nuevamente por la propiedad de continuidad o.
n

l F (xn ) = l P (An ) = P () = 0. m m
n

Por lo tanto, F (x) converge a cero cuando x tiende a menos innito.

ww

e Dado que R es un espacio mtrico, lo anterior implica que F (x) converge a uno cuando x tiende a innito.

w.

at

l F (xn ) = l P (An ) = P () = 1. m m
n

em at

1. Sea x1 , x2 , . . . una sucesin cualquiera de nmeros reales creciente a o u innito, y sean los eventos An = (X xn ). Entonces {An : n N} es una sucesin de eventos creciente cuyo l o mite es . Por la propiedad de continuidad

ic a1

.c o

Demostracin. o

3. Para x1 x2 , F (x1 ) F (x1 ) + P (x1 < X x2 ) = P (X x2 ) = F (x2 ). = P [(X x1 ) (x1 < X x2 )]

o u 4. Sea x1 , x2 , . . . una sucesin cualquiera de nmeros reales no negativos y decreciente a cero. Entonces F (x + xn ) = F (x) + P (x < X x + xn ), en donde An = (x < X x + xn ) es una sucesin de eventos decreo ciente al conjunto vac Por lo tanto l F (x + xn ) = F (x). Es decir o. m
n

Definicion. (Funcion de distribucion). Una funcin F (x) : R o [0, 1] es llamada funcin de distribucin si cumple las cuatro propiedades o o anteriores. Una especie de rec proco de la ultima proposicin es vlido y ello justica o a la importancia de la funcin de distribucin. Se enuncia a continuacin este o o o interesante resultado cuya demostracin omitiremos y puede encontrarse o por ejemplo en [15]. Proposicion. Sea F (x) : R [0, 1] una funcin de distribucin. Entono o ces existe un espacio de probabilidad (, F , P ) y una variable aleatoria X cuya funcin de distribucin es F (x). o o

ww

w.

at e

Se tiene adems la siguiente denicin general de funcin de distribucin, a o o o no haciendo referencia a variables aleatorias ni a espacios de probabilidad particulares.

at

ic

a1

.c

om

F (x+) = F (x).

Por lo tanto basta dar una funcin de distribucin espec o o ca para saber que existe un cierto espacio de probabilidad y una variable aleatoria denida sobre l y cuya funcin de distribucin es la especicada. Este es el punto de e o o vista que a menudo se adopta en el estudio de las variables aleatorias, quedando un espacio de probabilidad no especicado en el fondo como elemento base en todas las consideraciones. A continuacin se presentan algunos ejemplos grcos de funciones de diso a tribucin. La grca de la izquierda en la Figura 2.3 corresponde a la funo a cin de distribucin de una variable aleatoria discreta, y la grca de la o o a derecha muestra el comportamiento t pico de una funcin de distribucin o o continua. Tambin pueden presentarse situaciones como la que se muestra e en la Figura 2.4, y que corresponde al caso de una variable aleatoria mixta. La denicin de variable aleatoria discreta, continua y mixta aparece en la o siguiente seccin. o

F (x) 1

at m
ww w.

ic a1
1

at e

.c om

F (x)

Figura 2.3: Funciones de distribucin discreta y continua. o Se demuestran ahora algunas otras propiedades que establecen la forma de calcular probabilidades usando la funcin de distribucin. o o

F (x) 1

Figura 2.4: Una funcin de distribucin mixta. o o Proposicion. Sea X una variable aleatoria con funcin de distribucin o o F (x). Para cualesquiera nmeros reales a < b, u

6. P (a X < b) = F (b) F (a).

Demostracin. o 1. Sea x1 , x2 , . . . una sucesin de nmeros reales positivos y decreciente o u a cero. Sea An el evento (X a xn ). Entonces {An : n N} es una sucesin de eventos decreciente al evento (X < a). Por la propiedad o de continuidad P (X < a) = l P (An ) = l F (a xn ) = F (a). m m
n n

ww

5. P (a < X < b) = F (b) F (a).

w.

4. P (a X b) = F (b) F (a).

at em

3. P (a < X b) = F (b) F (a).

at

2. P (X = a) = F (a) F (a).

ic

a1

1. P (X < a) = F (a).

.c o

2. Simplemente se escribe P (X = a) = P (X a) P (X < a) = F (a) F (a). 3. 6. Estas igualdades se sigue directamente de las dos primeras.

F (x) 1

Observe que como F (x) es una funcin no decreciente y continua por la o derecha, la probabilidad P (X = x) es igual a F (x) F (x), que representa el tamao del salto o discontinuidad de la funcin de distribucin en el punto n o o x. Esto se muestra en la Figura 2.5. En consecuencia, cuando F (x) es una funcin continua y para a < b, o

F (b) F (a) = P (a < X b) = P (a X b) = P (a < X < b) = P (a X < b). Es decir, cuando F (x) es una funcin continua, incluir o excluir los extremos o de un intervalo no afecta el valor de la probabilidad de dicho intervalo. Por

ww w.

at em

Figura 2.5: Una discontinuidad de F (x) y su signicado.

at

ic

a1

.c om

P (X = x) = F (x) F (x)

lo tanto, para cualquier nmero real x, la probabilidad del evento (X = x) u es cero. Finalizamos esta seccin con un resultado interesante cuya prueba o es sorprendentemente simple. Proposicion. Toda funcin de distribucin tiene a lo sumo un nmero o o u numerable de discontinuidades.

Demostracin. Sea D el conjunto de puntos de discontinuidad de una funo cin de distribucin F (x). Para cada nmero natural n dena los subcono o u juntos 1 1 < F (x) F (x) }. Dn = { x D : n+1 n

Las variables aleatorias se clasican en varios tipos dependiendo de las caracter sticas de la correspondiente funcin de distribucin. Al menos existen o o tres tipos: discretas, continuas, y mezclas de las dos anteriores. Veamos su denicin. o

ww

w.

at

em

2.3.

Tipos de variables aleatorias

at

ic

a1

Cada conjunto Dn tiene a lo sumo n elementos. Como D = concluye que D es numerable.

.c o

n=1 Dn ,

se

 Definicion. (Variable aleatoria discreta). La variable aleatoria X se llama discreta si su correspondiente funcin de distribucin F (x) o o es una funcin constante por pedazos. Sean x1 , x2 , . . . los puntos de o discontinuidad de F (x). En cada uno de estos puntos el tamao de la n discontinuidad es P (X = xi ) = F (xi ) F (xi ) > 0. A la funcin f (x) o o que indica estos incrementos se le llama funcin de probabilidad de X, y se dene como sigue f (x) = P (X = x) si x = x1 , x2 , . . . 0 otro caso. (2.2)

La funcin de distribucin se reconstruye de la forma siguiente o o

En este caso se dice tambin que la funcin de distribucin es discreta, e o o adems la funcin de probabilidad f (x) siempre existe, y se le llama tambin a o e funcin de masa de probabilidad. Tambin se acostumbra usar el trmino o e e funcin de densidad, como una analog con el caso de variables aleatorias o a continuas denidas ms adelante. Cuando sea necesario especicarlo se esa cribe fX (x) en lugar de f (x). Observe que la funcin de probabilidad f (x) es o una funcin no negativa que suma uno en el sentido i f (xi ) = 1. Rec o procamente, toda funcin de la forma (2.2) que cumpla estas dos propiedades se o le llama funcin de probabilidad, sin que haya necesariamente una variable o aleatoria de por medio. Veamos ahora el caso continuo. Definicion. (Variable aleatoria continua). La variable aleatoria X se llama continua si su correspondiente funcin de distribucin es una o o funcin continua. o En tal caso tambin se dice que la distribucin es continua. Las distribucioe o nes continuas se clasican a su vez en distribuciones absolutamente continuas

ww

w.

at

em at

ic a1

.c

ux

om

F (x) =

f (u).

y distribuciones singulares. Definicion. (Variable aleatoria absolutamente continua). La variable aleatoria continua X con funcin de distribucin F (x) se llama o o absolutamente continua, si existe una funcin no negativa e integrable o f tal que para cualquier valor de x se cumple
x

F (x) =

f (u) du.

(2.3)

o o En tal caso a la funcin f (x) se le llama funcin de densidad de X. An cuando exista una funcin no negativa e integrable f que cumpla (2.3), u o sta puede no ser unica, pues basta modicarla en un punto para que sea e ligeramente distinta pero an as seguir cumpliendo (2.3). A pesar de ello, u nos referiremos a la funcin de densidad como si sta fuera unica, y ello o e se justica por el hecho de que las probabilidades son las mismas, ya sea usando una funcin de densidad o modicaciones de ella que cumplan (2.3). o Es claro que la funcin de densidad de una variable aleatoria absolutameno te continua es no negativa y su integral sobre toda la recta real es uno. Rec procamente, toda funcin f (x) no negativa que integre uno en R se o llama funcin de densidad. Si X es absolutamente continua con funcin de o o distribucin F (x) y funcin de densidad continua f (x), entonces el teoreo o ma fundamental del clculo establece que, a partir de (2.3), F (x) = f (x). a a Adems, la probabilidad de que X tome un valor en el intervalo (a, b) es el rea bajo la funcin de densidad sobre dicho intervalo. Esto se ilustra a o en la Figura 2.6, la probabilidad es la misma si se incluyen o excluyen los extremos del intervalo. Pueden construirse ejemplos de variables aleatorias continuas que no tienen funcin de densidad, es decir, que no existe una funcin f no negativa e ino o tegrable que cumpla (2.3) para cualquier nmero real x. En tales situaciones u se dice que la distribucin es singular. o

ww

w.

at

em

at ic

a1

.c om

f (x)

P (X (a, b)) =

f (x) dx
a

Figura 2.6: La probabilidad como el rea bajo la funcin de densidad. a o Definicion. (Variable aleatoria singular). La variable aleatoria continua X, o su correspondiente funcin de distribucin F (x), se llama o o singular si F (x) = 0 casi seguramente. El trmino casi seguramente que aparece en esta denicin se reere a que e o la igualdad se cumple en todos los puntos x excepto en un conjunto cuya medida de Lebesgue es cero. Las distribuciones singulares son un poco ms a delicadas de estudiar y no haremos mayor nfasis en ellas. La distribucin de e o Cantor es un ejemplo de este tipo de distribuciones y se construye mediante un proceso l mite. Los detalles pueden encontrarse en [13] o [19]. Definicion. (Variable aleatoria mixta). Una variable aleatoria que no es discreta ni continua se llama variable aleatoria mixta. No es dif encontrar situaciones en donde la variable aleatoria en estudio cil es mixta, el siguiente ejemplo es una muestra de ello. Ejemplo (Una variable aleatoria que no es discreta ni continua). Sea X una variable aleatoria con funcin de distribucin o o FX (x) = 1 ex 0 si x > 0, si x 0.

ww w.

at

em

at ic

a1

.c om

Como la funcin FX (x) es continua, entonces la variable aleatoria X es o a continua. Sea M > 0 una constante. Las grcas de las funciones de distribucin de las variables X y la constante M (vista como variable aleatoria), o se muestran en la Figura 2.7.
FX (x) FM (x)

Figura 2.7: Funciones de distribucin de la variable X y la constante M . o

con grca como en la Figura 2.8. Es claro que esta funcin de distribucin a o o no es constante por pedazos pues es creciente en el intervalo (0, M ), por lo tanto no es discreta, y tampoco es continua pues tiene una discontinuidad en y = M . Por lo tanto Y es una variable aleatoria que no es discreta ni continua.

0 FY (y) = 1 ey 1

em

at

Finalmente enunciamos un resultado general cuya demostracin puede eno contrarse en [7] o [13].

ww w.

at ic

Sea Y = m n{X, M }. Puede comprobarse que la funcin de distribucin de o o Y es si y 0, si 0 < y < M, si y M,

a1

.c om

FY (y)

y M Figura 2.8: Funcin de distribucin de la variable Y = m o o n{X, M }.

En todos los casos que consideraremos en este texto la distribucin continua o de esta descomposicin ser absolutamente continua. En el caso general, eso a ta distribucin continua puede a su vez escribirse como otra combinacin o o lineal convexa entre una distribucin absolutamente continua y una distrio bucin continua singular. Esto lleva al resultado general de que cualquier o distribucin puede escribirse como una combinacin lineal convexa de los o o tres tipos bsicos de distribuciones. a Ejemplo. Considere nuevamente la funcin de distribucin de la variable o o Y = m n{X, M } analizada en el ejemplo anterior. Hemos visto que esta distribucin no es discreta ni continua, sin embargo puede descomponerse o en la combinacin lineal convexa o FY (y) = eM F d (y) + (1 eM )F c (y), en donde F d (y) es la distribucin discreta de la variable constante M , y o

ww

w.

at

em

at

en donde 0 1.

ic a1

F (x) = F d (x) + (1 )F c (x),

.c

om

Proposicion. Toda funcin de distribucin F (x) se puede escribir como o o una combinacin lineal convexa de una funcin de distribucin discreta o o o F d (x) y otra continua F c (x), es decir, admite la siguiente representacin o

F c (y) es la distribucin continua o 0 1 ey c FY (y) = 1 eM 1

si y 0, si 0 < y < M, si y M.

Igualdad de variables aleatorias

Dos variables aleatorias X y Y son estrictamente iguales si para cada se cumple X() = Y (). Existen, sin embargo, otras formas ms dbiles de a e igualdad que enunciaremos a continuacin. o Definicion. (Igualdad de variables aleatorias). Se dice que dos variables aleatorias X y Y son

em at

ic

a1

.c om

ww

w.

a) iguales casi seguramente, y se escribe X = Y c.s., o bien X = Y , si se cumple que P (X = Y ) = 1. Ms generalmente, un evento a ocurre casi seguramente si su probabilidad es uno.

c.s.

at

b) iguales en distribucin, y se escribe X = Y , si sus correspondientes o funciones de distribucin coinciden, es decir, si FX (x) = FY (x) o para cada nmero real x. u

Es interesante observar que la igualdad casi segura es ms fuerte que la a igualdad en distribucin, es decir, si X y Y son iguales casi seguramente, o entonces son iguales en distribucin. Sin embargo, si X y Y tienen la misma o distribucin, entonces no necesariamente son iguales casi seguramente. A o menos que se indique lo contrario, cuando aparezca una expresin de igualo dad entre variables aleatorias, se considera que la igualdad es vlida en el a sentido fuerte, es decir, casi seguro.

Ejercicio. Sean X y Y dos variables aleatorias. Demuestre que el conjunto (X = Y ) es un evento. En consecuencia tiene sentido calcular la probabilidad de tal conjunto. Ejercicio. Demuestre que si X = Y c.s., entonces X = Y . Por el contrario, d demuestre que si X = Y , entonces no necesariamente X = Y c.s. Considere por ejemplo la variable X tal que P (X = 1) = P (X = 1) = 1/2, y dena Y = X. Ejercicio. Demuestre que si X = 0 c.s., entonces E(X) = 0.
d

2.4.

Integral de Riemann-Stieltjes

en donde las funciones h(x) y F (x) deben cumplir ciertas condiciones para que la integral tenga sentido y est bien denida. Esta integral es una e generalizacin de la integral usual de Riemann. Al integrando h(x) se le o pide inicialmente que sea una funcin acotada en el intervalo (a, b], auno que despus se omitir esta condicin. A la funcin integradora F (x) se le e a o o pide que sea continua por la derecha, montona no decreciente y tal que o F () F () < M , para algn nmero M > 0. Observe que F (x) debe u u cumplir propiedades semejantes a las de una funcin de distribucin, y de o o hecho la notacin es la misma. Esto no es coincidencia pues usaremos las o funciones de distribucin como funciones integradoras. o Presentamos a continuacin la denicin de la integral de Riemann-Stieltjes o o bajo las condiciones arriba sealadas. En [15] puede encontrarse una expon sicin ms completa y rigurosa de esta integral. Sea {a = x0 < x1 < < o a

ww w.

at

em
a

h(x) dF (x),

at ic

En esta seccin se dene la integral de Riemann-Stieltjes. Esta es una inteo gral de la forma

a1

.c om

xn = b} una particin nita del intervalo (a, b], y dena o y h(xi ) = sup {h(x) : xi1 < x xi }, h(xi ) = {h(x) : xi1 < x xi }. nf
n

Se dene la suma superior e inferior de Riemann-Stieltjes como sigue Sn =

i=1 n

h(xi ) [ F (xi ) F (xi1 ) ], h(xi ) [ F (xi ) F (xi1 ) ].

Sn =
i=1

Y entonces se dene
a

o Cuando la funcin h(x) no es acotada N h(x) hN (x) = N

at

em
b a

entonces a este valor comn se le llama la integral de Riemann-Stieltjes de u la funcin h(x) respecto de la funcin F (x) sobre el intervalo (a, b], y se le o o denota por h(x) dF (x), se hace uso de la funcin auxiliar o si |h(x)| N, si h(x) > N.
b

ww w.

h(x) dF (x) = l m

at ic
N a

si h(x) < N,

cuando este l mite existe. Se puede extender la denicin de esta integral o de la siguiente forma
b

h(x) dF (x) = l m

a,b a

a1

m < l S n = l S n < , m

hN (x) dF (x),

.c om

Ahora se toma el l mite cuando n tiende a innito de tal forma que la longitud mx{|xi xi1 | : 1 i n} tienda a cero. Si sucede que a

h(x) dF (x),

cuando el l mite del lado derecho exista y est bien denido. e La integral de Riemann-Stieltjes tiene varias propiedades semejantes a la integral de Riemann, enunciaremos a continuacin algunas de ellas. Primeo ramente es lineal tanto en el integrando como en el integrador, es decir, si es constante, entonces
b b b

a)
a b

(h1 (x) + h2 (x)) dF (x) =

a b

h1 (x) dF (x) +
a b

h2 (x) dF (x). h(x) dF2 (x).

a

b)
a

h(x) d(F1 (x) + F2 (x)) =

a

h(x) dF1 (x) +

at ic

a1
h(x) dF (x) = h(b)F (b) h(a)F (a)
a

.c
b

c)
a

ww

d)
a

h(x) dF (x) =

Es decir, integrar respecto de una funcin de distribucin absolutamente o o continua se reduce a efectuar una integral de Riemann. El otro caso interesante ocurre cuando h(x) es continua y F (x) es constante excepto en los puntos x1 , x2 , . . ., en donde la funcin tiene saltos positivos de tamao o n p(x1 ), p(x2 ), . . . respectivamente. En este caso y suponiendo convergencia,
b i=1

e)
a

h(x) dF (x) =

w.

De particular importancia en la teor de la probabilidad son los siguientes a dos casos particulares. Cuando F (x) es diferenciable se tiene la igualdad
b

h(x)F (x) dx.

at

h(xi ) p(xi ).

em

om

Cuando h(x) tiene primera derivada continua se cumple la frmula o F (x)h (x) dx.

Esto signica que integrar respecto de la funcin de distribucin de una o o variable aleatoria discreta se reduce a efectuar una suma. Finalmente enunciamos la propiedad que ilustra el hecho de que la integral de Riemann es un caso particular de la integral de Riemann-Stieltjes. Cuando F (x) = x se cumple
b b

f)
a

h(x) dF (x) =
a

h(x) dx.

o o En la siguiente seccin usaremos las funciones de distribucin como funciones integradoras. Como toda funcin de distribucin F (x) se puede deso o componer en una suma convexa F d (x) + (1 )F c (x), en donde F d (x) es discreta y F c (x) es continua, entonces
b b

.c om

a1
m

h(x) dF (x) =
a

h(x) dF d (x) + (1 )

b a

h(x) dF c (x).

M
w.

En algunos casos usaremos tambin la integral de Riemann-Stieltjes en vae rias dimensiones. Por ejemplo, sean h(x, y) y F (x, y) funciones de dos vao riables, sea {a = x0 < x1 < < xn = b} una particin de (a, b] y sea {c = y0 < y1 < < ym = d} una particin de (c, d], entonces se dene o

at

ww

h(x, y) dF (x, y) = l m
a c n,m i=1 j=1

em at
n

ic

h(xi , yj ) F (xi , yj ),

en donde F (xi , yj ) es el incremento de F en el rectngulo (xi1 , xi ] a (yj1 , yj ]. Por ahora no es clara la forma de denir este incremento pero retomaremos este concepto una vez que se haya denido a la funcin de o distribucin en dimensiones mayores. o

2.5.

Caracter sticas numricas e

Se estudian a continuacin algunas caracter o sticas numricas asociadas a e variables aleatorias. En particular, se denen los conceptos de esperanza,

varianza y ms generalmente los momentos de una variable aleatoria. Para a ello haremos uso de la integral de Riemann-Stieltjes mencionada antes.

Esperanza
La esperanza de una variable aleatoria es un nmero que representa el prou medio ponderado de sus posibles valores, se calcula como se indica a continuacin. o Definicion. (Esperanza). Sea X con funcin de distribucin F (x). o o La esperanza de X, denotada por E(X), se dene como el nmero u

A la esperanza se le conoce tambin con el nombre de media, valor esperado, e valor promedio o valor medio, y en general se usa la letra griega (mu) para denotarla. En la teor de la medida [5] [14] [29] se dene la esperanza de una a variable aleatoria o funcin medible X mediante una integral ms general o a llamada integral de Lebesgue, y se denota por

ww w.

En algunas ocasiones usaremos esta expresin para tener compatibilidad en o notacin con la teor general. o a Cuando X es discreta con funcin de probabilidad f (x), su esperanza, si o existe, se calcula como sigue E(X) = x xf (x). Si X es absolutamente

at e

cuando esta integral sea absolutamente convergente, es decir, cuando |x| dF (x) < , y en tal caso se dice que X es integrable, o que tiene esperanza nita.

X() dP ().

at

ic

a1

E(X) =

.c

x dF (x),

om

continua con funcin de densidad f (x), entonces su esperanza, si existe, es o E(X) = xf (x) dx. Ejemplos. a) Sea X con valores en el conjunto {1, 2, . . .}, y con funcin de probao bilidad f (x) = P (X = x) = 1/2x , para x 1. Entonces E(X) = x x=1 xf (x) = x=1 x/2 = 2. b) Sea X continua con funcin de densidad f (x) = 2x, para 0 < x < 1. o 1 Entonces E(X) = xf (x) dx = 0 x 2x dx = 2/3.

b) f (x) = 1/x2 ,

para x > 1.

Ejemplo. Sea X una variable aleatoria con la siguiente funcin de distrio bucin. La forma de esta funcin puede apreciarse ms fcilmente a travs o o a a e de su grca, la cual se muestra en la Figura 2.9. a

ww

w.

a) f (x) =

1 , x(x + 1)

para x = 1, 2, . . .

at

Ejercicio. Demuestre que no existe la esperanza de X cuando su funcin o de probabilidad o de densidad es

em at

La integral o suma arriba mencionados pueden no existir y en ese caso se dice que la variable aleatoria no tiene esperanza nita. El siguiente ejercicio contiene un par de ejemplos que ilustran esta situacin. Vase tambin el o e e ejercicio 152.

ic

a1

.c om

 0 x/4 F (x) = 2/4 3/4 + x/4 1

F (x) 1 3/4 1/4 2/4

si si si si si

x < 0, 0 x < 1, 1 x < 2, 2 x < 3, x 3.

ic a1
2

.c

om

Figura 2.9: Una funcin de distribucin mixta. o o

ww

E(X) = =
0

x dF (x) 2 1 3 2 1 dx + 1 ( ) + 2 ( ) + 4 4 4 4 4
3

w.

at

De acuerdo a las propiedades de la integral de Riemann-Stieltjes, la esperanza de X es entonces

em at

x
2

1 dx. 4

Despus de algunos clculos se encuentra que la esperanza es 15/4. Observe e a la forma mixta en la que esta integral es calculada: en las partes crecientes se calcula como si fuera una distribucin continua, despus se aaden los o e n puntos de discontinuidad ponderados por el tamao del salto. n Con frecuencia surge el problema de calcular esperanzas de funciones de variables aleatorias, es decir, si X es una variable aleatoria y g : R R es una funcin Borel medible, entonces g(X) es una variable aleatoria y el o

problema es encontrar su esperanza. Usando directamente la denicin, la o esperanza de g(X) se calcula del siguiente modo: E[g(X)] =

x dFg(X) (x),

o pero ello requiere encontrar primero la distribucin de g(X), lo cual puede no ser fcil en muchos casos. Afortunadamente se cuenta con el siguiente rea sultado que establece una forma muy conveniente de calcular la esperanza de g(X), sin conocer su distribucin, pero suponiendo conocida la distribucin o o de X. Teorema. (Esperanza de una funcion de una v.a.) Sea X con funcin de distribucin FX (x), y sea g : R R una funcin Borel o o o medible tal que g(X) tiene esperanza nita. Entonces E[g(X)] = g(x) dFX (x).

La demostracin de este resultado en general no es sencilla y la omitiremos, o aunque un camino cmodo que puede adoptarse es aceptar la frmula ano o terior como la denicin de la esperanza de g(X). En particular, cuando la o funcin g es la identidad, se recupera la denicin bsica de esperanza. Por o o a otro lado, cuando X es discreta, la demostracin del teorema resulta no ser o complicada. Ejercicio. Sea X una variable aleatoria discreta con valores en el conjunto {x1 , x2 , . . .}, y sea g : R R una funcin Borel medible tal que g(X) tiene o esperanza nita. Demuestre que E[g(X)] =
i=1

ww

w.

M at

em

Se establecen a continuacin algunas propiedades de la esperanza. o

at
g(xi )P (X = xi ).

ic

a1

.c om

 Proposicion. (Propiedades de la esperanza). Sean X y Y con esperanza nita, y sea c una constante. Entonces 1. E(c) = c. 2. E(c X) = c E(X). 3. Si X 0, entonces E(X) 0. 4. Si X Y , entonces E(X) E(Y ). 5. E(X + Y ) = E(X) + E(Y ).

F (x) = F d (x) + (1 )F c (x), o o en donde [0, 1], F d (x) es una funcin de distribucin discreta, y c (x) es una funcin de distribucin continua. Sea X con distribucin F o o o d o F d (x), y sea Xc con distribucin F c (x). Entonces X tiene esperanza nita si, y slo si, tanto Xd como Xc tienen esperanza nita, y en tal o caso, E(X) = E(Xd ) + (1 )E(Xc ).

ww w.

Proposicion. Sea X con funcin de distribucin F (x), la cual admite o o la descomposicin o

at

Ejercicio. Sean X y Y discretas ambas con esperanza nita. Demuestre directamente que E(X + Y ) = E(X) + E(Y ).

em

at

ic a

Las demostraciones de las primeras cuatro propiedades son sencillas pues se siguen directamente de la denicin. La ultima propiedad es fcilmeno a te demostrable en el caso discreto. El caso general ser demostrado ms a a adelante.

1.c

om

Este resultado es inmediato de demostrar usando la propiedad de linealidad de la integral de Riemann-Stieltjes respecto de la funcin integradora. o

Varianza
o La varianza de una variable aleatoria es una medida del grado de dispersin de los diferentes valores tomados por la variable, su denicin es la siguiente. o Definicion. (Varianza). La varianza de una variable aleatoria X, denotada por Var(X), se dene como la siguiente esperanza, si sta existe, e

Cuando X es discreta con funcin de probabilidad f (x) y esperanza nita o , la varianza de X, cuando existe, se calcula como sigue Var(X) = x (x )2 f (x). Si X es absolutamente continua con funcin de densidad f (x) y o esperanza nita , entonces la varianza de X, cuando existe, es Var(X) = 2 mbolo (x ) f (x) dx. La varianza se denota regularmente por el s 2 (sigma cuadrada). A la ra cuadrada positiva de Var(X) se le llama z desviacin estndar, y se le denota naturalmente por . Nuevamente hay o a casos en los que la varianza no es nita, y en esa situaciones se dice que la variable aleatoria no tiene varianza. Observe que para calcular la varianza se necesita conocer primero la esperanza. Ejercicio. Demuestre que la varianza de una variable aleatoria con la siguiente funcin de densidad no existe. o f (x) = 2/x3 si x > 1, 0 otro caso.

ww

w.

at em

at

ic

a1

.c o

Var(X) = E (X E(X))2 .

Enunciamos a continuacin algunas propiedades de la varianza. o Proposicion. (Propiedades de la varianza). Sean X y Y con varianza nita, y sea c una constante. Entonces 1. Var(X) 0. 2. Var(c) = 0. 3. Var(c X) = c2 Var(X). 4. Var(X + c) = Var(X).

La demostracin de estas propiedades es sencilla pues todas ellas, excepto la o ultima, se siguen directamente de la denicin y de la propiedad lineal de la o esperanza. Para la ultima propiedad puede tomarse Y = X, con Var(X) = 0, y vericarse la no igualdad. Otras propiedades de la varianza aparecen ms a adelante. Ejercicio. Demuestre que Var(X) = E(X(X 1)) E(X)(E(X) 1).

Momentos
Los momentos de una variable aleatoria son nmeros que representan alguu nas caracter sticas de la distribucin de probabilidad asociada. Bajo ciertas o condiciones el conjunto de momentos determinan de manera unica a la dis tribucin de probabilidad. o

ww w.

at

em at

ic a

6. En general, Var(X + Y ) = Var(X) + Var(Y ).

1.c

5. Var(X) = E(X 2 ) E 2 (X).

om

 Definicion. (Momentos). Sea X una variable aleatoria con esperanza y sea n un nmero natural. Cuando existe, el nmero u u 1. E(X n ) es el n-simo momento de X. e 2. E|X|n es el n-simo momento absoluto de X. e e 3. E[(X )n ] es el n-simo momento central de X. 4. E|X |n es el n-simo momento central absoluto de X. e 5. E[X(X 1) (X n + 1)] es el n-simo momento factorial de X. e Observe que el primer momento es la esperanza, y el segundo momento central es la varianza. En algunos textos al n-simo momento se le denota e , mientras que el n-simo momento central es . En el cap por n e tulo n sobre funciones generadoras se estudian ciertas funciones asociadas a las distribuciones de probabilidad, y a travs de las cuales los momentos de e una variable aleatoria pueden ser encontrados, cuando existen, de manera ms eciente. a El problema de los momentos consiste en determinar condiciones necesarias y sucientes para que los momentos de una variable aleatoria determinen de manera unica su distribucin de probabilidad. Por ejemplo, puede demos o trarse que si X es tal que los nmeros E(X), E(X 2 ), . . . son todos nitos y u si se cumple que la serie n t E(X n ) n!

ww w.

es absolutamente convergente para algn t > 0, entonces la sucesin de mou o mentos determina de manera unica a la distribucin de X. Las condiciones o mencionadas son sucientes pero no necesarias.

at

em
n=0

at

ic a1

.c

om

Cuantiles
Definicion. (Cuantil). Sea p un nmero real cualquiera en el intervalo u unitario (0, 1). Se le llama cuantil de orden p de una variable aleatoria X o de su distribucin, a cualquier nmero xp que cumpla las condiciones o u P (X xp ) p,

P (X xp ) 1 p.

ww w.

A los cuantiles de orden 1/4, 1/2 y 3/4 se les llama tambin cuartiles. En e particular al cuantil de orden 1/2 se le llama mediana. Es decir, la mediana es aquel nmero m que cumple las desigualdades u

La mediana de una variable aleatoria es una medida de tendencia central que permite dividir en dos partes iguales a la distribucin de probabilidad o cuando sta es continua y estrictamente creciente. Usando el concepto de e mediana ejemplicaremos la posible no unicidad de los cuantiles. Ejemplo. Sea X es una variable aleatoria discreta tal que P (X = 1) = 1/2, y P (X = 0) = 1/2. Cualquier nmero en el intervalo [0, 1] es una mediana u de X.

at

P (X m) 1/2, P (X m) 1/2.

em at

Es decir, el cuantil de orden p es aquel nmero que acumula a su izquierda u una probabilidad mayor o igual a p, y al mismo tiempo acumula a su derecha una probabilidad de por lo menos 1 p. En general este nmero no es u necesariamente unico. Sin embargo, cuando la correspondiente funcin de o distribucin es estrictamente creciente, se cumple que el cuantil de cualquier o orden es unico.

ic a

1.c

om

Moda
La moda es otra caracter stica numrica de las variables aleatorias, y se e dene unicamente para distribuciones discretas o absolutamente continuas de la siguiente forma. Definicion. (Moda). La moda de una variable aleatoria o de su distribucin, discreta o absolutamente continua, es aquel punto donde la o funcin de densidad tiene un mximo local. o a Por ejemplo, si X es una variable aleatoria discreta con valores x1 < x2 < x3 < , y con probabilidades respectivas p1 , p2 , p3 , . . ., entonces X tiene una moda en el punto xk si pk1 pk pk+1 . Es evidente que pueden existir varias modas para una misma variable aleatoria. Cuando la moda es unica se dice que la distribucin es unimodal, y cuando hay varias modas se o dice que es multimodal.

En esta seccin se estudian algunas distribuciones discretas de probabilidad o de uso comn. Estas distribuciones son ejemplos particulares de medidas u de probabilidad concentradas en un conjunto discreto de nmeros reales. u Se presentan estos ejemplos sin hacer mayor nfasis en las aplicaciones de e los modelos. En el Apndice A, al nal del libro, aparecen algunas otras e distribuciones de probabilidad. Distribucion uniforme discreta. La variable X tiene una distribucin o uniforme sobre el conjunto {x1 , . . . , xn } si la probabilidad de que X tome cualquiera de estos valores es 1/n. Esta distribucin surge en espacios de o probabilidad equiprobables, esto es, en situaciones en donde se tienen n resultados diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de loter justos son un ejemplo donde puede aplicarse esta disa

ww w.

at

2.6.

Distribuciones discretas

em

at ic

a1

.c om

tribucin. Se escribe X unif{x1 , . . . , xn }, y su funcin de probabilidad o o es 1/n si x = x1 , . . . , xn , f (x) = 0 otro caso. Por ejemplo, la funcin de probabilidad uniforme sobre el conjunto {1, . . . , 5} o tiene grca como en la Figura 2.10. Es fcil ver que, en el caso general, a a E(X) = y Var(X) = 1 n 1 n
n

xi ,
i=1 n i=1

(xi E(X))2 .

f (x) 1/5

at

em

at M
x

Figura 2.10: Funcin de probabilidad unif{1, . . . , 5}. o Distribucion Bernoulli. Un ensayo Bernoulli es un experimento aleatorio con unicamente dos posibles resultados, llamados genricamente xito e e y fracaso, y con probabilidades respectivas p y 1 p. Se dene la variable aleatoria X como aquella funcin que lleva el resultado xito al nmero 1, o e u y el resultado fracaso al nmero 0. Entonces se dice que X tiene una disu tribucin Bernoulli con parmetro p (0, 1). Se escribe X Ber(p) y la o a correspondiente funcin de probabilidad es o si x = 0, 1p p si x = 1, f (x) = 0 otro caso,

ww

w.

ic
4 5

a1

.c

om

cuya grca es como en la Figura 2.11. Es sencillo vericar que E(X) = p, a y Var(X) = p(1 p). En particular, si A es un evento con probabilidad p, entonces la funcin indicadora 1A es una variable aleatoria con distribucin o o Ber(p).

f (x) 0.7 0.3 x 0 1

Figura 2.11: Funcin de probabilidad Ber(p) con p =0.7. o Distribucion binomial. Suponga que se realizan n ensayos independientes Bernoulli en donde la probabilidad de xito en cada uno de ellos es e p (0, 1). El espacio muestral de este experimento consiste de todas las posibles sucesiones de longitud n de xitos y fracasos. Usando el principio e multiplicativo, es fcil ver que este conjunto tiene 2n elementos. Si ahora se a u e dene la variable aleatoria X como el nmero de xitos en cada una de estas sucesiones, entonces X toma los valores 0, 1, . . . , n, y se dice que X tiene una distribucin binomial con parmetros n y p. Se escribe X bin(n, p), o a y su funcin de probabilidad es o n px (1 p)nx si x = 0, 1, . . . , n, x f (x) = 0 otro caso. Se puede demostrar que E(X) = np, y Var(X) = np(1p). En las grcas de a la Figura 2.12 se muestra el comportamiento de esta funcin de probabilidad. o Distribucion geomtrica. Suponga que se tiene una sucesin innita e o de ensayos independientes Bernoulli en donde la probabilidad de xito en e

ww

w.

at

em

at

ic a1

.c om

f (x) 0.3 0.2 0.1 x n = 10 p = 0.3

f (x)

0.3 0.2 0.1

x n = 10 p = 0.5

1 2 3 4 5 6 7 8 9 10

1 2 3 4 5 6 7 8 9 10

Figura 2.12: Funcin de probabilidad bin(n, p). o cada uno de ellos es p (0, 1). Se dene X como el nmero de fracasos u antes de obtener el primer xito. Se dice entonces que X tiene una distrie bucin geomtrica con parmetro p. Se escribe X geo(p), y su funcin de o e a o probabilidad es p(1 p)x 0

em

at

f (x) =

Para esta distribucin se puede demostrar que E(X) = (1p)/p, y Var(X) = o (1 p)/p2 . En algunos textos se dene tambin la distribucin geomtrica e o e como el nmero de ensayos, (y no el de fracasos), antes del primer xito. En u e tal caso, la funcin de probabilidad es f (x) = p(1 p)x1 , para x = 1, 2, . . .. o La media es entonces 1/p y la varianza es como antes. Distribucion Poisson. La variable aleatoria discreta X tiene una distribucin Poisson con parmetro > 0, y se escribe X Poisson() si su o a funcin de probabilidad es o

ww

w.

at ic

a1

si x = 0, 1, . . . otro caso.

.c om

f (x) 0.4 0.3 0.2 0.1 x

1 2 3 4 5 6 7 8 9 10 Figura 2.13: Funcin de probabilidad geo(p) con p =0.4. o x e x! f (x) = 0

0.3 0.2 0.1 x

1 2 3 4 5 6 7 8 Figura 2.14: Funcin de probabilidad Poisson() con = 2. o Distribucion binomial negativa. Suponga que se tiene una sucesin o

ww w.

f (x)

at

Esta distribucin fue descubierta por Simen Denis Poisson en 1873 como o o l mite de la distribucin binomial, al respecto vase el ejercicio 222. Puede o e demostrarse que E(X) = , y Var(X) = . La grca de la funcin de a o probabilidad Poisson se muestra en la Figura 2.14.

em

at ic

a1

otro caso.

.c o

si x = 0, 1, . . .

innita de ensayos independientes Bernoulli en donde la probabilidad de xito en cada ensayo es p (0, 1). Sea X el nmero de fracasos antes de e u obtener el r-simo xito. Se dice entonces que X tiene una distribucin e e o binomial negativa con parmetros r y p. Se escribe X bin neg(r, p), y su a funcin de probabilidad es o r+x1 pr (1 p)x si x = 0, 1 . . . x f (x) = 0 otro caso. Se puede demostrar que E(X) = r(1p)/p, y Var(X) = r(1p)/p2 . Es claro que esta distribucin es una generalizacin de la distribucin geomtrica, la o o o e cual se obtiene cuando el parmetro r toma el valor 1. Para r = 3 y p =0.2, a la funcin de probabilidad binomial negativa tiene la forma como en la o Figura 2.15.

f (x) 0.06 0.04 0.02

ww

w.

at

em at

ic

a1

.c o

10

15

20

25

30

Figura 2.15: Funcin de probabilidad bin neg(r, p) con r = 3 y p =0.2. o Distribucion hipergeometrica. Suponga que se tiene un conjunto de N objetos de los cuales K son de una primera clase, y N K son de una segunda clase. Suponga que de este conjunto se toma una muestra de tamao n, sin n reemplazo y en donde el orden de los objetos seleccionados no importa. Se dene X como el nmero de objetos de la primera clase contenidos en u

la muestra seleccionada. Entonces X puede tomar los valores 0, 1, . . . , n, suponiendo n K. Decimos que X tiene una distribucin hipergeomtrica o e con parmetros N , K y n, se escribe X hipergeo(N, K, n), y su funcin a o de probabilidad es

K x

f (x) =

N n

N K nx

si x = 0, 1, . . . , n,

otro caso.

0.4 0.3 0.2 0.1

ww

w.

f (x)

at

K , N K N K N n Var(X) = n . N N N 1 E(X) = n

em at
2 3

ic a1
4

.c
5

La grca de esta funcin se muestra en la Figura 2.16. Es posible comprobar a o que

N = 20 K=7 n=5 x

Figura 2.16: Funcin de probabilidad hipergeo(N, K, n). o

om

2.7.

Distribuciones continuas

Ahora se estudian algunas distribuciones de probabilidad de variables aleatorias absolutamente continuas. Algunas otras distribuciones continuas que surgen en la estad stica sern estudiadas en el Cap a tulo 5. Distribucion uniforme continua. La variable aleatoria X tiene distribucin uniforme en el intervalo (a, b) y se escribe X unif(a, b), cuando su o funcin de densidad es o 1 ba f (x) = 0

si x (a, b),

f (x)
1 ba

ww

w.

at

em

at

En este caso es inmediato vericar que E(X) = (a + b)/2, y Var(X) = (b a)2 /12. La grca de esta funcin de densidad se muestra en la Figura 2.17 a o

ic

a1
b

.c o

otro caso.

m
x

Figura 2.17: Funcin de densidad unif(a, b). o Distribucion exponencial. La variable continua X tiene una distribucin exponencial con parmetro > 0 y se escribe X exp() cuando tiene o a funcin de densidad o

f (x) =

ex 0

si x > 0, si x 0.

o Para esta distribucin es muy sencillo vericar que E(X) = 1/, y Var(X) = 1/2 . Su grca se muestra en la Figura 2.18. a
f (x)

.c om
(x)n1 x e (n) f (x) = 0

ww

w.

at

o Distribucion gama. La variable aleatoria continua X tiene distribucin gama con parmetros n > 0 y > 0 si su funcin de densidad es a o

em

at

Figura 2.18: Funcin de densidad exp(). o

ic

En tal caso se escribe X gama(n, ). La grca de esta funcin se muestra a o en la Figura 2.19. El trmino (n) es la funcin gama denida como sigue e o (n) =
0

tn1 et dt,

o para valores de n tal que la integral es convergente. Esta funcin satisface las siguientes propiedades:

a1

si x > 0, si x 0.

a) (n + 1) = n(n). b) (n + 1) = n! para n entero positivo. c) (2) = (1) = 1. d) (1/2) = . Observe que cuando el parmetro n toma el valor 1, la distribucin gama(n, ) a o se reduce a la distribucin exp(). Resolviendo un par de integrales se puede o demostrar que E(X) = n/, y Var(X) = n/2 .

=4 =3

at ic a1

f (x)

f (x)

.c o
n=5 n=7 n = 10

M at

em
x =3

=5

Figura 2.19: Funcin de densidad gama(n, ). o a o a Nota. La terminolog usada para esta distribucin no es estndar. En algunos otros textos aparece como gama(, n), es decir, los parmetros son a los mismos pero se presentan en el orden contrario. Puede entonces haber confusin cuando se escribe por ejemplo gama(2, 3). En ocasiones se usa el o parmetro 1/ en lugar de . a Distribucion beta. La variable continua X tiene distribucin beta con o parmetros a > 0 y b > 0, y se escribe X beta(a, b) cuando su funcin de a o

ww

w.

n=5

densidad es f (x) = 1 xa1 (1 x)b1 B(a, b) si 0 < x < 1, otro caso.

En la Figura 2.20 se ilustra la forma de esta funcin para varios valores o de los parmetros. El trmino B(a, b) se conoce como la funcin beta, y se a e o dene para a > 0 y b > 0 como sigue
1

B(a, b) =
0

xa1 (1 x)b1 dx.

3 2 1

ww

f (x)

w.

at em
a=2 b=6 a=4 b=4 a=6 b=2 a=1 b=1 x

b) B(a, b) =

(a)(b) . (a + b)

at ic
1

a) B(a, b) = B(b, a).

Figura 2.20: Funcin de densidad beta(a, b). o Por simetr se tiene que si X tiene distribucin beta(a, b), entonces 1 X a o

a1

.c o

Esta funcin satisface las siguientes propiedades. o

tiene distribucin beta(b, a). Para esta distribucin se tiene que o o E(X) = y Var(X) = a , a+b ab . (a + b + 1)(a + b)2

Distribucion normal. Esta es posiblemente la distribucin de probabio lidad de mayor importancia. Se dice que la variable aleatoria continua X tiene una distribucin normal o Gausiana si su funcin de densidad es o o f (x) = 1 2 2 e(x)
2 /2 2

ww w.

f (x)

at

em

en donde R y 2 > 0 son dos parmetros. En este caso se escribe a X N(, 2 ). No es dif demostrar que E(X) = , y Var(X) = 2 . La cil grca de la funcin de densidad normal aparece en la Figura 2.21, en ella a o se muestra el signicado geomtrico de los parmetros. Cuando se hacen e a variar estos parmetros la funcin de densidad cambia como se ilustra en la a o Figura 2.22.

at ic

a1

.c om

Figura 2.21: Funcin de densidad N(, 2 ). o o a En particular se dice que X tiene una distribucin normal estndar si = 0 y 2 = 1. En este caso particular, la funcin de densidad se reduce a la o expresin ms sencilla o a 2 1 ex /2 . f (x) = 2

f (x)

f (x)

x variando, 2 constante constante, 2 variando

Figura 2.22: Funcin de densidad N(, 2 ) variando los parmetros. o a Es posible transformar una variable aleatoria normal no estndar en una a estndar mediante la siguiente operacin llamada estandarizacin. La dea o o mostracin de este resultado es elemental y se deja como ejercicio. o Proposicion. X N(, 2 ) Z =

ww

w.

Comnmente se usa la letra Z para denotar una variable aleatoria con disu tribucin normal estndar. En particular la funcin (x) denota la funcin o a o o de distribucin de una variable aleatoria normal estndar, es decir, o a

at e

m at
x

(x) = P (Z x) =

ic

a1

X N(0, 1).

1 2 eu /2 du. 2

x Figura 2.23: Area cubierta por la funcin de distribucin (x) = P (Z x). o o

.c o

(x)

Los valores de esta funcin no pueden encontrarse de manera expl o cita, asi es que se usan mtodos numricos para aproximar la integral para distintos e e valores de x. En una tabla al nal del texto pueden encontrarse estos valores aproximados. Distribucion log normal. Si X tiene distribucin N(, 2 ), entonces la o X tiene una distribucin log normal(, 2 ), y su funcin de variable Y = e o o densidad es (ln y )2 1 exp ( ) si y > 0, 2 2 y 2 2 f (y) = 0 si y 0.

Var(Y ) = exp(2 + 2 2 ) exp(2 + 2 ).

0.025

ww w.

f (y)

at e

m at

E(Y ) = exp( + 2 /2),

ic

a1
20

La grca de esta funcin de densidad se muestra en la Figura 2.24. Se a o puede demostrar que

.c o

10

15

25

Figura 2.24: Funcin de densidad log normal(, 2 ) con = 3 y 2 = 2. o Algunas otras distribuciones continuas de inters se encuentran en el cap e tulo sobre distribuciones muestrales.

2.8.

Ejercicios
Variables aleatorias

91. Demuestre que la funcin identidad X() = no es variable aleatoria o cuando = {1, 2, 3} y F = {, {1}, {2, 3}, }. 92. Sea = {1, , 0, 1} y F = {, {0}, {1, 1}, }. Considere la funcin o identidad X() = . Demuestre que X 2 es variable aleatoria pero X no lo es. 93. Considere el espacio medible (, F ), con F = {, }. Demuestre que la funcin X : R es variable aleatoria si, y slo si, X es constante. o o 94. Sea (, F ) un espacio medible tal que F = {, , A, Ac } con A . Demuestre que toda funcin medible X : R es constante en A y o en Ac . Por lo tanto toda funcin medible respecto de esta -lgebra o a toma a lo sumo dos valores distintos. El siguiente ejercicio generaliza este resultado. 95. Sea A1 , . . . , An una particin nita de , y considere el espacio meo dible (, F ), con F = {A1 , . . . , An }. Demuestre que X : R es variable aleatoria si, y slo si, X es constante en cada elemento de la o particin. En consecuencia, X toma a lo sumo n valores distintos. o 96. Demuestre que X es variable aleatoria si, y slo si, (X < x) F para o cada nmero real x. u 97. Demuestre que X es variable aleatoria si, y slo si, (X x) F para o cada nmero real x. u 98. Demuestre que X es variable aleatoria si, y slo si, (X > x) F para o cada nmero real x. u 99. Demuestre que X es variable aleatoria si, y slo si, (a < X < b) F o para cada intervalo (a, b) de R.

ww w.

at e

at

ic

a1

.c

om

100. Sea c una constante y X una variable aleatoria. Demuestre directamente que las siguientes funciones tambin son variables aleatorias: e cX, X + c, mx{X, c}, m a n{X, c}. 101. Demuestre directamente que la diferencia de dos variables aleatorias es variable aleatoria. 102. Sea X una variable aleatoria cualquiera. Demuestre que la parte entera de X, denotada por X, es una variable aleatoria discreta, es decir, toma un nmero numerable de valores. u 103. Demuestre que el conjunto de variables aleatorias denidas sobre un espacio de probabilidad es un espacio vectorial con las operaciones usuales de suma y producto por escalares. 104. Sean X y Y variables aleatorias. Demuestre directamente que tanto mx{X, Y } como m a n{X, Y } son variables aleatorias.

107. Sea A . Demuestre que la funcin indicadora 1A : R es o variable aleatoria si, y slo si, el conjunto A es medible. Vase el o e apndice al nal del texto para la denicin y algunas propiedades de e o la funcin indicadora. o 108. Sean A, B . Diga falso o verdadero. Demuestre en cada caso. a) A, B medibles 1A + 1B es v.a. b) 1A + 1B es v.a. A, B son medibles.

109. Sean A, B subconjuntos disjuntos de y sean a, b dos nmeros reales u distintos. Demuestre que a1A + b1B es v.a. A, B son medibles.

ww w.

o 106. Demuestre que X es variable aleatoria si, y slo si, tanto X + = = m mx{0, X} como X a n{0, X}, lo son.

at

em

105. Demuestre directamente que si X es variable aleatoria, entonces tambin lo son X n y 2X 3 5X. e

at ic

a1

.c o

Una de estas implicaciones resulta falsa cuando se omite la condicin o de que los nmeros a y b son distintos. Cul de ellas es? u a 110. Sean A1 , . . . , An subconjuntos disjuntos de , y sean a1 , . . . , an constantes distintas. Demuestre que
n i=1

ai 1Ai es v.a. A1 , . . . , An son medibles.

111. Sean A y B dos eventos, y sean 1A y 1B las correspondientes funciones indicadoras. Directamente de la denicin demuestre que las funciones o 1A + 1B , 1A 1B y 1A 1B son variables aleatorias. 112. Sean X y Y dos variables aleatorias. Demuestre que los conjuntos (X Y ), (X = Y ), (X Y < 1), (X Y > 0), (X Y ) y (X = Y ) son eventos.

114. Sea X una variable aleatoria y g : R R una funcin Borel medio ble. Demuestre que g(X) = g X : R es tambin una variable e aleatoria. Sugerencia: Demuestre que la coleccin B = {B B(R) : o g1 B B(R)} coincide con B(R) usando los siguientes dos resultados: (1) Dada una funcin continua de R en R, la imagen inversa o de un conjunto abierto es nuevamente un conjunto abierto. (2) Todo conjunto abierto de R distinto del vac puede expresarse como una o unin numerable de intervalos abiertos. o 115. Sea X una variable aleatoria. Demuestre que las funciones eX , sen X, y cos X son variables aleatorias. 116. Sea X : R una funcin. Proporcione un ejemplo en el que X 2 es o variable aleatoria pero |X| no lo es. 117. Sean X1 , . . . , Xn variables aleatorias. Demuestre que

ww

w.

at

em at

113. Sean X, Y y Z tres variables aleatorias. Demuestre que los conjuntos (X Y Z), (X = Y = Z) y (X > Y > Z) son eventos.

ic

a1

.c

om

1 a) X = n b) S 2 =

Xi
i=1 n i=1

es v.a. (Xi X)2 es v.a.

1 n1

118. Sea X una variable aleatoria, y sean a < b dos constantes. Demuestre que las siguientes funciones son variables aleatorias. a) Y = X si X < a, a si X a.

suponiendo a > 0.

Demuestre que si X es variable aleatoria, entonces signo(X) tambin e lo es. Es cierto el rec proco?

120. Sea (, F , P ) un espacio de probabilidad, y sea X : R una funcin. Demuestre que la coleccin {X 1 B : B B(R)} es una sub o o -lgebra de F si, y slo si, X es variable aleatoria. A esta coleccin a o o se le denota por (X), y es la m nima -lgebra respecto de la cual a X es variable aleatoria. 121. Sea X una variable aleatoria con valores en el conjunto {0, 1, . . .}. Sea (X)10 el valor de X mdulo 10. Demuestre que (X)10 es tambin o e variable aleatoria.

ww w.

119. Se dene la funcin signo como sigue o +1 1 signo(x) = 0

em

at ic
si x > 0, si x < 0, si x = 0.

at

a1

a si X < a, b) Y = X si a X b, b si X > b. c) Y = X si |X| a, 0 si |X| > a,

.c o

122. Medida de probabilidad inducida. Sean (1 , F1 ) y (2 , F2 ) dos o espacios medibles, y sea X : 1 2 una funcin medible, es decir, para cualquier A en F2 se cumple que X 1 A F1 . Suponga que P : F1 [0, 1] es una medida de probabilidad. Demuestre que P e X 1 : F2 [0, 1] es tambin una medida de probabilidad. A esta funcin se le llama medida de probabilidad inducida por X. o 123. Sea c una constante distinta de cero, y sea X una variable aleatoria. Demuestre o proporcione un contraejemplo. a) (cX) = (X). b) (X + c) = (X). c) (X) = (X 2 ).

Funcin de distribucin o o

a) F (x) = b) F (x) =

125. Investigue si las siguientes funciones son de distribucin. o a) F (x) = b) F (x) = 1 ex 0 e1/x 0
2

si x < 1, 0 (x + 1)/2 si x [1, 1], c) F (x) = 1 si x > 1. si x > 0, si x 0.

ww w.

1 (1 + x)ex 0

at

1 ex 0

d) F (x) = ex /(ex + ex ), para x R.

c) F (x) = ex /(1 + ex ), para x R.

si x > 0, si x 0.

em at
si x > 0, si x 0.

o 124. Graque y demuestre que las siguientes funciones son de distribucin.

ic a

si x > 0, si x 0.

1.c

om

126. Sean F (x) y G(x) dos funciones de distribucin. Determine si las sio guientes funciones son de distribucin. o a) aF (x) + (1 a)G(x), con 0 a 1. b) F (x) + G(x). c) F (x)G(x). 2 G(x) . d) 1 + F (x) 127. Sea X con la siguiente funcin de distribucin. Graque F (x) y deo o muestre que es efectivamente una funcin de distribucin. Calcule o o adems P (X 4), P (X > 1), P (4 < X < 6) y P (X = 2). a

129. En la escuela rusa de probabilidad se dene la funcin de distribucin o o de una variable aleatoria X como G(x) = P (X < x). Observe el signo < en lugar de . Demuestre que esta funcin cumple todas o las propiedades de una funcin de distribucin, excepto que ahora la o o continuidad es por la izquierda.

128. Sea X con la siguiente funcin de distribucin. Graque F (x) y deo o muestre que es efectivamente una funcin de distribucin. Calcule o o adems P (X 1), P (X = 1), P (0 < X < 3), P (X = 4) y P (X 3). a si x < 0, 0 0.2 si 0 x < 1, 0.5 si 1 x < 3, F (x) = 0.9 si 3 x < 4, 1 si x 4.

130. Sea F (x) una funcin de distribucin continua. Demuestre que pao o ra cualquier entero n 1, las siguientes funciones tambin son de e distribucin. o

ww w.

at

em

at ic

a1

.c o

F (x) =

0 si x < 2, 1 4/x2 si x 2.

a) [F (x)]n . b) 1 [1 F (x)]n . o o 131. Sea X con funcin de distribucin F (x). Diga falso o verdadero, demuestre en cada caso. Para todo x R, a) F (x) = P (X < x) + P (X = x). c) 1 P (X < x) P (X > x) = P (X = x). 1 1 d) F (x) P (X = x) = (F (x) + F (x)). 2 2 132. Encuentre la funcin de distribucin de la variable Y en trminos de o o e la funcin de distribucin de X cuando o o a) Y = aX + b, con a, b constantes. f ) Y = X = m n{0, X}. X. b) Y = e g) Y = |X|. c) Y = eX . h) Y = X. d) Y = X 2 . i) Y = sen X. j) Y = cos X. e) Y = X + = mx{0, X}. a 133. Sea X con funcin de distribucin FX (x), y sean a < b dos constantes. o o Calcule la funcin de distribucin de Y en trminos de la funcin o o e o de distribucin de X, y muestre grcamente el comportamiento de o a FY (y) en los puntos a y b. a) Y = X si X < a, a si X a. b) 1 F (x) = P (X x).

a si X < a, b) Y = X si a X b, b si X > b. c) Y = X si |X| a, 0 si |X| > a,

ww

w.

M at

134. Sean F (x) y G(x) dos funciones de distribucin continuas y estrictao mente crecientes. Demuestre que

em at
con

ic

a > 0.

a1

.c om

a) si F (x) G(x), entonces F 1 (y) G1 (y).

b) si X tiene funcin de distribucin F (x), entonces Y = G1 (F (X)) o o tiene funcin de distribucin G(x). o o

c) si F (x) G(x), entonces existen variables aleatorias X y Y cuyas funciones de distribucin son F (x) y G(x) respectivamente, y son o tales que X Y . Sugerencia: Use el inciso anterior. 135. Sea X con funcin de distribucin F (x). Demuestre que F (x) es cono o tinua en x = x0 si, y slo si, P (X = x0 ) = 0. o

Tipos de variables aleatorias

m
136. Encuentre la constante c que hace a f (x) una funcin de probabilidad. o

b) f (x) = c xe2x , para x > 0. c) f (x) = c x2 , para x > 1. c ex , para x R. d) f (x) = (1 + ex )2 e) f (x) = c x(1 x), para 0 < x < 1. c , para 0 < x < 1. f ) f (x) = 1 x2 c g) f (x) = , para x R. 1 + x2 138. Demuestre que las siguientes funciones son de densidad. Encuentre la correspondiente funcin de distribucin y demuestre que sta es o o e efectivamente una funcin de distribucin. Graque ambas funciones. o o

ww

w.

a) f (x) = c x2 , para 0 < x < 1.

2

at

137. Encuentre la constante c que hace a f (x) una funcin de densidad. o

em

c) f (x) = c/x!, para x = 1, 2, . . .

at ic

a1

a) f (x) =

c , para x = 1, 2, . . . x(x + 1) b) f (x) = c ex , para x = 1, 2, . . .

.c o

a) f (x) = 2x, para x (0, 1).

d) f (x) = 2x/m2 , para x (0, m), con m > 0. e) f (x) = 1/(1 x)2 , para x (0, 1/2). f ) f (x) = e|x| /2, para x R.

c) f (x) = 1 x/2, para x (0, 2).

b) f (x) = 3x2 /2, para x (1, 1).

139. Demuestre que las siguientes funciones son de distribucin. Encueno tre la correspondiente funcin de densidad y compruebe que sta es o e efectivamente una funcin de densidad. Graque ambas funciones. o a) F (x) = 0 1 si x < 0, si x 0.

140. Sea f (x) una funcin de densidad y sea c una constante cualquiera. o Demuestre que f (x + c) es tambin una funcin de densidad. e o 141. Diga falso o verdadero. Demuestre en cada caso. a) Toda funcin de densidad es acotada. o b) Toda funcin de distribucin es acotada. o o 142. Sea X absolutamente continua, y sea Y = aX +b con a y b constantes. Demuestre que si a = 0, entonces fY (y) = 1 fX ((y b)/a). |a|

ww w.

c) F (x) = ex /(1 + ex ). 1 x |u| e du. d) F (x) = 2

at

em

0 b) F (x) = x 1

at

si x 0, si 0 < x < 1, si x 1.

ic a

1.c

om

Igualdad de variables aleatorias

143. Demuestre que la igualdad casi segura de variables aleatorias es una relacin de equivalencia. Cumple tal propiedad la igualdad en distrio bucin? o 144. Sea X 0 tal que E(X) = 0. Demuestre que X = 0 c.s. Sugerencia: Para cada natural n dena el evento An = (X 1/n). Compruebe que E(X) E(X 1An ) P (An )/n. Esto lleva a la conclusin de que o P (An ) = 0 y por lo tanto P ( An ) = 0. Ahora compruebe que los n=1 eventos (X > 0) y An coinciden. Alternativamente puede usarse n=1 la desigualdad de Markov. 145. Sean X y Y con esperanza nita tales que X = Y c.s. Demuestre que E(X) = E(Y ).

Integral de Riemann-Stieltjes

147. Sea X una variable aleatoria con funcin de distribucin F , y sea o o (a, b) R. Demuestre que

148. Sea F una funcin de distribucin absolutamente continua. Demuestre o o que para cualesquiera nmeros naturales n y m, u

ww w.

1(a,b) (x) dF (x) = P (a < X < b).

at e

o o 146. Sea X una variable aleatoria con funcin de distribucin F , y sea a cualquier nmero real. Demuestre que u 1{a} (x) dF (x) = P (X = a).

at ic
m . n+m

F n (x) dF m (x) =

a1

.c o

Esperanza
o 149. Calcule la esperanza de X cuya funcin de probabilidad o de densidad es a) f (x) = 1/5, para x = 2, 1, 0, 1, 2. b) f (x) = e1 /x!, para x = 0, 1, 2, . . . c) f (x) = |x|, para 1 < x < 1.

d) f (x) = e|x| /2, para x R.

d) Si X 0, entonces E(X) 0. f ) |E(X)| E|X|.

e) Si X Y , entonces E(X) E(Y ).

152. Demuestre que no existe la esperanza de X cuando su funcin de o probabilidad o de densidad es a) f (x) = b) f (x) = 3 2 x2 , para x Z \ {0}. para x R.

1 , (1 + x2 )

ww w.

c) E(X + c) = E(X) + c.

at

b) E(cX) = cE(X).

em

a) E(c) = c.

at

ic

151. Sean X y Y con esperanza nita, y sea c una constante. Demuestre que

a1

150. Calcule la esperanza de una variable aleatoria cuya funcin de distrio bucin es o 1 ex /2 si x > 1, F (x) = 0 si x 1.

.c

om

153. La paradoja de San Petersburgo. Un juego consiste en lanzar una moneda equilibrada repetidas veces hasta que una de las caras, seleccionada previamente, aparezca por primera vez. Si un jugador lanza la moneda y requiere de n lanzamientos para que se cumpla la condicin, entonces recibe 2n unidades monetarias. Cul debe ser el o a pago inicial justo para ingresar a este juego? 154. Sea {A1 , A2 , . . .} una coleccin de eventos que forman una particin o o o de tal que cada elemento de la particin tiene probabilidad estrictamente positiva. Sea X una variable aleatoria discreta con esperanza nita. Para cualquier evento A con probabilidad positiva dena E(X | A) = Demuestre que E(X) =
i=1

xP (X = x | A).

E(X | Ai )P (Ai ).

156. Sea X > 0, discreta y con esperanza nita. Demuestre directamente que E(X)E(1/X) 1. Este resultado puede ser demostrado usando la desigualdad de Jensen, pero en este ejercicio se pide obtener el resultado sin usar dicha desigualdad. 157. Sea X discreta con valores no negativos x1 x2 xk . Demuestre que m a) l E(X n+1 ) = xk , n E(X n )
n

b) l m

E(X n ) = x1 .

ww

w.

b) E(mx{X, Y }) mx{E(X), E(Y )} E(X). a a

at

a) E(m n{X, Y }) m n{E(X), E(Y )} E(X).

em

155. Sean X y Y con esperanza nita. Demuestre que

at

ic a1

.c

om

158. Sea X discreta con valores 0, 1, . . . y con esperanza nita. Demuestre que E(X) =
n=1

P (X n) =

P (X > n).

n=0

o Use esta frmula para demostrar que a) si X tiene distribucin geo(p), entonces E(X) = (1 p)/p. o b) si X tiene distribucin Poisson(), entonces E(X) = . o 159. Sea X 0 con esperanza nita, y suponga que para algn p (0, 1), u k , para cada k = 0, 1, . . .. se cumple la desigualdad P (X k) p Demuestre que E(X) 1/(1 p). 160. Sea X 0 con esperanza nita no necesariamente discreta. Para cada nmero natural n dena el evento An = (n 1 X < n). Demuestre u que
n=1

em at

(n 1)1An X <

ic

a1

.c

n=1

Ahora demuestre las desigualdades

n=1

at

161. Sea X con funcin de distribucin F (x). Demuestre que si X tiene o o esperanza nita, entonces a) l x (1 F (x)) = 0. m
x

b)

l x F (x) = 0. m

El rec proco sin embargo es falso, vase [4]. e 162. Sea X con funcin de distribucin F (x), y con esperanza nita. Deo o muestre que
0

ww

w.

P (X n) E(X) < 1 +

om

n1An .

n=1

P (X n).

E(X) =
0

[1 F (x)]dx

F (x)dx.

Grcamente estas integrales pueden interpretarse como se indica en a la Figura 2.25.

F (x)

Figura 2.25: La esperanza como la diferencia de dos reas. a Use esta frmula para demostrar que o

163. Sea X una variable aleatoria no negativa con funcin de distribucin o o continua F (x) y con esperanza nita . Demuestre que la siguiente funcin es de distribucin. o o 1 1 (1 F (x)) dx si y > 0, y G(y) = 0 si y 0.

Demuestre que la esperanza de esta distribucin es 2 E(X 2 )/, supoo niendo que el segundo momento de X es nito.

164. Sea X con funcin de distribucin continua F (x), y con esperanza o o nita . Demuestre que

ww w.

at e

F (x)dx =

o e 165. Demuestre que la condicin E(X) = 0 no implica que X es simtrica alrededor de cero. Sugerencia: Considere X tal que P (X = 1) = 1/2,

at ic

b) si X tiene distribucin gama(n, ), entonces E(X) = n/. o

a1

a) si X tiene distribucin exp(), entonces E(X) = 1/. o

[1 F (x)]dx.

.c o

F (x) 1 1/2

3 2 1

Figura 2.26: Una funcin de distribucin continua. o o

F (x) 1 3/4 2/4 1/4

ic

a1 M at em
1

.c om

at

Figura 2.27: Una funcin de distribucin mixta. o o P (X = 0) = 1/8, P (X = 1) = 1/4 y P (X = 2) = 1/8. Puede usted construir un ejemplo de una distribucin continua con esperanza cero, o que no sea simtrica? e 166. Calcule la esperanza de una variable aleatoria con funcin de distribuo cin continua dada por la grca de la Figura 2.26. Calcule y graque o a adems la correspondiente funcin de densidad. a o 167. Calcule la esperanza de una variable aleatoria con funcin de distrio bucin dada por la grca de la Figura 2.27. o a

ww w.

Varianza
o 168. Calcule la varianza de X cuya funcin de probabilidad o de densidad es a) f (x) = 1/5, para x = 2, 1, 0, 1, 2. b) f (x) = e1 /x!, para x = 0, 1, 2, . . . c) f (x) = |x|, para 1 < x < 1.

d) f (x) = e|x| /2, para x R.

169. Sean X y Y con varianza nita y sea c una constante. Demuestre las siguientes propiedades de la varianza. b) Var(cX) = c2 Var(X). c) Var(X + c) = Var(X).

a) a E(X) b.

b) 0 Var(X) (b a)2 /4.

172. Minimizacion del error cuadratico medio. Sea X con segundo momento nito. A la funcin g(u) = E[(X u)2 ] se le conoce como o error cuadrtico medio. Demuestre que g(u) se minimiza cuando u = a E(X). En consecuencia, para cualquier valor real de u, Var(X) E[(X u)2 ]. 173. Sea X con varianza nita y sea c una constante. Demuestre que E(X c)2 = Var(X) + (E(X) c)2 .

ww w.

171. Sea X con valores en [a, b]. Demuestre que

at

170. Use la desigualdad de Chebyshev para demostrar que Var(X) = 0 si, y slo si, X es constante. o

em

d) Var(X) = E(X 2 ) E 2 (X).

at ic

a1

.c o

a) Var(X) 0.

174. Sea X con media y varianza 2 . Demuestre que E|X | . Sugerencia: Var(|X |) 0. 175. Diga falso o verdadero. Demuestre en cada caso. a) Si X Y , entonces Var(X) Var(Y ). b) Var(X) E(X 2 ). c) E 2 (X) E(X 2 ). 176. Sea X una variable aleatoria con varianza nita, y sea a una constante. Diga si las siguientes armaciones son falsas o verdaderas, demuestre en cada caso. a) E(m n{X, a}) E(X) E(mx{X, a}). a b) Var(m n{X, a}) Var(X) Var(mx{X, a}). a

178. Sea X con varianza nita, y sea c una constante cualquiera. Diga si las siguientes armaciones son falsas o verdaderas, demuestre en cada caso. a) Var(X + c) = Var(X c). b) Var(|X|) Var(X). c) Var(|X c|) Var(X). 179. Calcule la varianza de una variable aleatoria cuya funcin de distrio bucin est dada por la grca de la Figura 2.28. o a a 180. Sean X y Y independientes y con segundo momento nito. Demuestre que Var(XY ) = Var(X) Var(Y ) + E 2 (X) Var(Y ) + E 2 (Y ) Var(X).

ww

w.

a) Var(m n{X, Y }) Var(X) Var(mx{X, Y }). a b) Var(X + Y ) 2 ( Var(X) + Var(Y ) ). Var(X + Y ) Var(X) + Var(Y ). c)

at

em at

ic

177. Sean X y Y con varianza nita. Diga si las siguientes desigualdades son falsas o verdaderas, demuestre en cada caso.

a1

.c

om

F (x) 1 3/4 1/4 x

3 2 1

Figura 2.28: Una funcin de distribucin mixta. o o 181. Sean X y Y con segundo momento nito. Demuestre que

182. Calcule el n-simo momento de una variable aleatoria cuya funcin de o e probabilidad o de densidad es a) f (x) = 1/5, para x = 2, 1, 0, 1, 2. c) f (x) = |x|, para 1 < x < 1. b) f (x) = e1 /x!, para x = 0, 1, 2, . . .

d) f (x) = e|x| /2, para x R.

183. Sea X con n-simo momento nito. Demuestre que para cualquier e nmero natural m n, se cumple E|X|m E|X|n . Este resultado u establece que si el n-simo momento de una variable aleatoria es e nito, entonces todos los momentos anteriores a n tambin son nitos. e m = |X|m 1 m1 Sugerencia: |X| (|X|1) + |X| (|X|>1) . 184. Sea X con distribucin simtrica alrededor de x = 0, y con cuarto o e momento nito. Demuestre que para cualquier nmero real a, u E(X 4 ) E(X a)4 .

ww

w.

M at

em at

ic

Momentos

a1

.c o

| Var(X)

Var(Y )|

Var(X Y )

Var(X) +

Var(Y ).

185. Sea 1A la funcin indicadora de un evento A. Demuestre que o a) E(1A ) = E(1n ) = P (A). A b) Var(1A ) = P (A)(1 P (A)) 1/4. e 186. Sea X con n-simo momento nito. Demuestre que E |X|n = n
0 0

xn1 (1 F (x)) dx + n

|x|n1 F (x) dx.

187. Sea X discreta con valores en el conjunto {0, 1, . . .}, y con segundo momento nito. Demuestre que

em

E(X 2 ) = 2

189. Espacio L1 . Demuestre que el espacio L1 (, F , P ) consistente de todas las variables aleatorias X tales que E|X| < , es un espacio vectorial. Para resolver este ejercicio suponga vlida la propiedad de a linealidad de la esperanza. Tal propiedad ser demostrada ms adea a lante. 190. Desigualdad de Cauchy-Schwarz. Sean X y Y con segundo momento nito. Demuestre que E 2 (XY ) E(X 2 )E(Y 2 ). Sugerencia: Para cualquier valor real de t, la esperanza de (tX +Y )2 es no negativa. Desarrolle el cuadrado y encuentre una ecuacin cuadrtio a ca en t. Qu puede decir de su discriminante? e

ww w.

at

at
0

188. Sea X 0 continua y con segundo momento nito. Demuestre que

ic

a1

n=1

xP (X > x) dx.

.c

om

E(X ) =

(2n 1)P (X n).

u(x) u(a) + (x a)m u(a) x

Figura 2.29: Convexidad. 191. Espacio L2 . Use la desigualdad de Cauchy-Schwarz para demostrar que el espacio L2 (, F , P ) consistente de todas las variables aleatorias X tales que E|X|2 < , es un espacio vectorial.

Sugerencia: La funcin u es convexa si para cada a existe un nmero o u m tal que u(x) u(a) + (x a)m, para todo x. Esto se muestra en la Figura 2.29. Alternativamente, una funcin u es convexa si u(tx + o (1 t)y) tu(x) + (1 t)u(y), para cualesquiera par de nmeros u x y y dentro del dominio de denicin de u, y para cualquier t en o el intervalo [0, 1]. Debe suponerse adems que el nmero tx + (1 a u t)y pertenece tambin al dominio de denicin de la funcin. Vea e o o el siguiente ejercicio para algunos ejemplos particulares de funciones convexas. 193. Sea X con esperanza nita. Use la desigualdad de Jensen para demostrar que a) eE(X) E(eX ).

b) E 2 (X) E(X 2 ).

a c) mx{a, E(X)} E{mx{a, X}), a

ww w.

at e

u(E(X)) E(u(X)).

at

ic a1

192. Desigualdad de Jensen. Sea u una funcin convexa, y sea X una o variable aleatoria con esperanza nita. Demuestre que

a constante.

.c om

d)

1 E(1/X), E(X)

suponiendo X > 0.

194. Demuestre que si X es una variable aleatoria acotada casi seguramente, es decir, existe k > 0 tal que P (|X| k) = 1, entonces todos los momentos de X existen. 195. Sea X una variable aleatoria con funcin de densidad dada por o f (x) = n/xn+1 0 si x > 1, otro caso.

196. Desigualdad cr . Demuestre que para cada r > 0,

en donde cr es una constante dada por

at

En particular, este resultado establece que si X y Y tienen r-simo e momento absoluto nito, entonces X+Y tambin. Sugerencia: A partir e de la identidad (1+ t)r = cr (1+ tr ), vlida para cada t 0, demuestre a que para cualesquiera nmeros reales x y y, |x + y|r cr ( |x|r + |y|r ). u 197. Desigualdad de Holder. Sean r y s dos nmeros reales tales que u r > 1 y 1/r + 1/s = 1. Demuestre que E |XY | (E |X|r )1/r (E |Y |s )1/s . a Sugerencia: Use la desigualdad |xy| |x|r /r + |y|s /s, vlida para cualesquiera nmeros reales x y y, y para r y s con las condiciones u mencionadas. El caso r = s = 2 corresponde a la desigualdad de Cauchy-Schwarz.

ww

w.

cr =

em at
1 2r1

E |X + Y |r cr ( E|X|r + E|Y |r ), si 0 < r 1, si r > 1.

ic

a1

.c

Demuestre que esta funcin es de densidad para cualquier valor natural o del parmetro n. Demuestre adems que tal variable aleatoria tiene a a momentos nitos de orden 1, 2, . . . , n 1, pero el n-simo momento y e superiores no existen.

om

198. Desigualdad de Minkowski. Demuestre que para cada r 1, E 1/r |X + Y |r E 1/r |X|r + E 1/r |Y |r . Sugerencia: E |X + Y |r E (|X| |X + Y |r1 ) + E (|Y | |X + Y |r1 ), o ahora use la desigualdad de Hlder.

Cuantiles
199. Calcule los cuartiles de la distribucin normal estndar. o a o a 200. Calcule los cuartiles de la distribucin exponencial de parmetro . 201. Minimizacion del error absoluto medio. A la funcin g(u) = o E |X u| se le conoce como error absoluto medio. Demuestre que si m una mediana de X, entonces para cualquier nmero real u, u E |X m| E |X u|. Demuestre adems que la igualdad se cumple si, y slo si, u es cualquier a o otra mediana de X.

Distribucin uniforme discreta o

203. Sea X con distribucin unif{1, . . . , n}. Demuestre que o a) E(X) = (n + 1)/2. b) E(X 2 ) = (n + 1)(2n + 1)/6. c) Var(X) = (n2 1)/12. 204. Se escogen al azar y de manera independiente dos nmeros a y b u dentro del conjunto {1, . . . , n}. Demuestre que la probabilidad de que el cociente a/b sea menor o igual a uno es (n + 1)/2n.

ww w.

202. Sea X una variable aleatoria con segundo momento nito y sea m una de sus medianas. Demuestre que |m E(X)| 2 Var(X).

at

em

at ic

a1

.c o

Distribucin Bernoulli o
205. Compruebe que la funcin de probabilidad de la distribucin Ber(p) o o efectivamente lo es. Obtenga adems la correspondiente funcin de a o distribucin. Graque ambas funciones. o 206. Sea X con distribucin Ber(p). Demuestre que E(X n ) = p, para cada o n 1. En particular, compruebe que Var(X) = p(1 p).

Distribucin binomial o
207. Use el teorema del binomio para comprobar que la funcin de probao bilidad de la distribucin bin(n, p) efectivamente lo es. o

a) E(X) = np. b) E(X 2 ) = np(1 p + np). c) Var(X) = np(1 p).

209. Sea X con distribucin bin(n, p). Demuestre que Y = n X tiene o distribucin bin(n, 1 p). o 210. Sea X con distribucin bin(n, p). Demuestre que o a) P (X = x + 1) = p nx P (X = x). 1p x+1 b) P (X = x 1) P (X = x + 1) P 2 (X = x).

211. Sea X con distribucin bin(n, p). Demuestre que o 1 a) P (X {1, 3, 5, . . .}) = (1 (1 2p)n ). 2

ww w.

e) E(X np)4 = 3n2 p2 (1 p)2 + np(1 p)(1 6(1 p)p).

d) E(X np)3 = np(1 p)(1 2p).

at e

m at

ic

a1

208. Sea X con distribucin bin(n, p). Demuestre que o

.c o

1 b) P (X {0, 2, 4, . . .}) = (1 + (1 2p)n ). 2 212. Se lanza una moneda equilibrada 6 veces. Calcule la probabilidad de que cada cara se obtenga exactamente 3 veces.

Distribucin geomtrica o e
213. Compruebe que la funcin de probabilidad de la distribucin geo(p) o o efectivamente lo es. Demuestre que la correspondiente funcin de diso tribucin es o F (x) = 1 (1 p)x+1 0 si x 0, si x < 0.

214. Sea X con distribucin geo(p). Demuestre que o

216. La distribucion geometrica no tiene memoria. Sea X con distribucin geo(p). Demuestre que para cualesquiera x, y = 0, 1, . . . o P (X x + y | X x) = P (X y). Esta es la unica distribucin discreta con tal propiedad, compare con o el siguiente ejercicio. 217. Sea X una variable aleatoria discreta con valores en {0, 1, . . .} y tal que para cualquier x, y = 0, 1, . . . se cumple la igualdad P (X x + y | X x) = P (X y). Demuestre que existe un nmero p (0, 1) tal que X tiene distribucin u o geo(p).

ww

o 215. Sea X con distribucin geo(p). Demuestre que P (X n) = (1 p)n . Use este resultado y la frmula del ejercicio 158 para demostrar que o E(X) = (1 p)/p.

w.

M at

em at

a) E(X) = (1 p)/p. b) Var(X) = (1 p)/p2 .

ic

a1

.c o

La expresin x denota la parte entera de x. o

Distribucin Poisson o
218. Compruebe que la funcin de probabilidad de la distribucin Poisson() o o efectivamente lo es. 219. Sea X con distribucin Poisson(). Demuestre que o a) E(X) = . b) E(X 2 ) = ( + 1). c) Var(X) = . d) E(X 3 ) = E(X + 1)2 . 220. Sea X con distribucin Poisson(). Demuestre que o

222. Teorema de Poisson (Convergencia de la dist. binomial a la dist. Poisson). Para cada entero positivo n, sea Xn con distribucin o bin(n, /n) con > 0. Demuestre que para cada k = 0, 1, . . . l P (Xn = k) = e m k . k!

ww

1 a) P (X {1, 3, 5, . . .}) = (1 e2 ). 2 1 b) P (X {0, 2, 4, . . .}) = (1 + e2 ). 2

A este resultado tambin se le conoce con el nombre de ley de eventos e raros.

w.

at em

221. Sea X con distribucin Poisson(). Demuestre que o

at ic a1

a) P (X = x + 1) =

P (X = x). x+1 b) P (X = x 1) P (X = x + 1) P 2 (X = x).

.c om

Distribucin binomial negativa o

223. Compruebe que la funcin de probabilidad de la distribucin bin neg(r, p) o o efectivamente lo es. 224. Sea X con distribucin bin neg(r, p). Demuestre que o a) E(X) = r(1 p)/p. b) Var(X) = r(1 p)/p2 .

l P (Xn = k) = e m

227. Convergencia de la dist. hipergeomtrica a la dist. binoe mial. Sea X con distribucin hipergeo(N, K, n). Demuestre que cuano do N y K tienden a innito de tal forma que K/N p, entonces
N,K

ww

w.

226. Compruebe que la funcin de probabilidad de la distribucin hipero o geomtrica efectivamente lo es. e

at

em

Distribucin hipergeomtrica o e

at
n x px (1 p)nx .

l m

P (X = x) =

Distribucin uniforme continua o

228. Compruebe que la funcin de densidad de la distribucin unif(a, b) o o efectivamente lo es. Calcule adems la correspondiente funcin de disa o tribucin. Graque ambas funciones. o

ic a1

.c om

225. Convergencia de la dist. binomial negativa a la dist. Poisson. Sea X1 , X2 , . . . una sucesin de variables tal que cada una de o ellas tiene distribucin bin neg(n, p) con p = n/( + n) para algn o u > 0. Demuestre que para cada k = 0, 1, . . . k . k!

229. Sea X con distribucin unif(a, b). Demuestre que o a) E(X) = (a + b)/2. bn+1 an+1 . b) E(X n ) = (n + 1)(b a) c) Var(X) = (b a)2 /12. 230. Sea X con distribucin unif(0, 1). Demuestre que E(X n ) = 1/(n + 1). o 231. Sea X con distribucin unif(1, 1). Demuestre que para n = 0, 1, 2, . . . o E(X n ) = 1/n + 1 0 si n es par, si n es impar.

234. Sea X con distribucin unif(0, 1). Dena a Y como el primer d o gito decimal de X. Demuestre que Y tiene distribucin uniforme en el o conjunto {0, 1, . . . , 9}.

Distribucin exponencial o
235. Compruebe que la funcin de densidad de la distribucin exp() efeco o tivamente lo es. Demuestre que la correspondiente funcin de distrio bucin es o 1 ex si x > 0, F (x) = 0 si x 0. Demuestre adems que para cualquier x, y > 0, a F (x + y) F (y) = F (x)(1 F (y)).

ww w.

M at

233. Sea X con distribucin unif(0, 1) y sea 0 < p < 1. Demuestre que la o variable aleatoria Y = ln X/ ln(1 p) tiene distribucin geo(p). La o expresin x denota la parte entera de x. o

em

at

a) Y = 10X 5. b) Y = 4X(1 X).

ic

a1

.c om

232. Sea X con distribucin unif(0, 1). Obtenga la distribucin de o o

236. Demuestre que la esperanza de la distribucin exp() es 1/, y la o 2. varianza es 1/ 237. La distribucion exponencial no tiene memoria. Sea X con distribucin exp(). Demuestre que o P (X x + y | X x) = P (X y). La distribucin exponencial es la unica distribucin absolutamente o o continua que satisface esta propiedad, al respecto ver el siguiente ejercicio. 238. Sea X una variable aleatoria absolutamente continua con valores en el intervalo (0, ), y tal que para cualesquiera x, y > 0 se cumple Demuestre que existe una constante > 0 tal que X tiene distribucin o exp(). 239. Sea X una variable aleatoria con funcin de distribucin continua o o F (x), estrictamente creciente y tal que 0 < F (x) < 1. Demuestre que la variable aleatoria Y = ln F (X) tiene distribucin exponencial con o parmetro = 1. a 240. Sea a > 0. Demuestre que si X se distribuye exp(), entonces aX se distribuye exp(/a). 241. Se dice que la variable X tiene una distribucin exponencial bilateral o (o exponencial doble) con parmetro > 0 si su funcin de densidad a o es 1 f (x) = e|x| , para x R. 2 Demuestre que la esperanza de esta distribucin es cero, y la varianza o es 2/2 . 242. Sea X una variable aleatoria con distribucin exponencial de parmeo a tro , y sea a una constante positiva. Calcule la esperanza y varianza de la variable m n{X, a}.

ww

w.

at

em

at ic

a1

.c

P (X x + y | X x) = P (X y).

om

Distribucin gama o
243. Compruebe que la funcin de densidad de la distribucin gama(n, ) o o efectivamente lo es. Verique adems que esta distribucin se reduce a o a la distribucin exp() cuando n = 1. o 244. Sea a > 0. Demuestre que si X se distribuye gama(n, ), entonces aX se distribuye gama(n, /a). 245. Sea X con distribucin gama(n, ). Demuestre que la funcin de diso o tribucin de X es o n1 (x)k si x > 0, 1 ex F (x) = k! k=0 0 si x 0. 246. Sea X con distribucin gama(n, ). Demuestre que o a) E(X) = n/. (m + n) , para m = 0, 1, . . . b) E(X m ) = m (n) c) Var(X) = n/2 . 247. Recuerde que la funcin gama se dene para cada valor de n tal que o la siguiente integral es convergente

ww

w.

at e

(n) =
0

Demuestre que esta funcin cumple las siguientes propiedades. o a) (n + 1) = n(n). b) (n + 1) = n! para n entero. c) (2) = (1) = 1. d) (1/2) = . 1 3 5 (2n 1) e) (n + 1/2) = 2n

at ic a1

tn1 et dt.

.c o

para n entero.

Distribucin beta o
248. Compruebe que la funcin de densidad de la distribucin beta(a, b) o o efectivamente lo es. Verique adems que esta distribucin se reduce a o a la distribucin unif(0, 1) cuando a = b = 1. o 249. Sea X con distribucin beta(a, b). Demuestre que o a) E(X) = a . a+b B(a + n, b) b) E(X n ) = . B(a, b) ab c) Var(X) = . (a + b + 1)(a + b)2

a) a = E(X) [

251. Recuerde que la funcin beta se dene para cada a, b > 0 de la forma o
1

ww

w.

E(X)(1 E(X)) 1 ]. Var(X) E(X)(1 E(X)) b) b = (1 E(X)) [ 1 ]. Var(X) E(X)(1 E(X)) c) a + b = 1. Var(X)

at

em
0

B(a, b) =

Demuestre que esta funcin cumple las siguientes propiedades. o a) B(a, b) = B(b, a). b) B(a, b) = (a)(b)/(a + b). c) B(a, 1) = 1/a. d) B(1, b) = 1/b. e) B(a + 1, b) = a B(a, b + 1). b

at ic

xa1 (1 x)b1 dx.

a1

250. Sea X con distribucin beta(a, b). Demuestre que o

.c o

a B(a, b). a+b b B(a, b). g) B(a, b + 1) = a+b h) B(1/2, 1/2) = . f ) B(a + 1, b) = 252. Sea X con distribucin beta(1/2, 1/2). En este caso se dice que X o tiene una distribucin arcoseno. o a) Calcule y graque f (x). b) Demuestre directamente que f (x) es una funcin de densidad. o c) Demuestre directamente que E(X) = 1/2, y Var(X) = 1/8. 253. Sea X con distribucin beta(a, b). o 0 F (x) = xa 1 Demuestre que para a > 0 y b = 1, si x 0, si 0 < x < 1, si x 1.

o o 255. Demuestre que X tiene distribucin beta(a, b) si, y slo si, 1 X tiene distribucin beta(b, a). o

254. Sea X con distribucin beta(a, b). Demuestre que para a = 1 y b > 0, o si x 0, 0 b si 0 < x < 1, F (x) = 1 (1 x) 1 si x 1.

Distribucin normal o
256. Demuestre que la funcin de densidad de la distribucin N(, 2 ) o o o a) es efectivamente una funcin de densidad. b) es simtrica respecto de x = . e c) alcanza su mximo en x = . a

ww w.

at

em

at

ic a

1.c

om

d) tiene puntos de inexin en x = . o o 257. Sea X con distribucin N(, 2 ). Demuestre que E(X) = y Var(X) = 2 . 258. Sea X con distribucin N(, 2 ). Demuestre que para cada n = 0, 1, 2, . . . o E|X |n = 1 3 5 (n 1) n 0 si n es par, si n es impar.

259. Sea X con distribucin N(, 2 ). Demuestre que o a) P ( < X < + ) = 0.68269.

262. Sea X con distribucin N(, 2 ). Demuestre que la variable aleatoria o X tambin tiene una distribucin normal. Encuentre los parmetros e o a correspondientes. 263. Sea X con distribucin normal estndar. Demuestre que X 2 tiene o a una distribucin 2 (1). Rec o procamente, Ser cierto que si Y tiene a o distribucin, 2 (1) entonces Y tiene distribucin N(0, 1)? o 264. Encuentre la funcin de densidad de la variable aleatoria |X|, cuando o X tiene distribucin normal estndar. o a

ww

260. Sea X con distribucin normal estndar. Demuestre que para cada o a n = 0, 1, . . . n! si n es par, n/2 (n/2)! E(X n ) = 2 0 si n es impar.

261. Sea X con distribucin N(, 2 ). Demuestre que Y = aX + b, con o a = 0, tiene una distribucin normal. Encuentre los parmetros coo a rrespondientes.

w.

at

em at

ic a1

c) P ( 3 < X < + 3) = 0.9973.

.c o

b) P ( 2 < X < + 2) = 0.9545.

265. El cociente de Mills. Sea (x) la funcin de densidad de la diso tribucin normal estndar, y sea (x) la correspondiente funcin de o a o distribucin. Demuestre que o a) (x) + x(x) = 0. 1 1 (x) 1 1 3 1 3 < < 3 + 5, b) x x (x) x x x

para x > 0.

Distribucin log normal o

266. Demuestre que la funcin de densidad de una distribucin log normal(, 2 ) o o efectivamente lo es.

ww

w.

at e

d) Var(ln X) = 2 .

c) E(ln X) = .

at

b) Var(X) = exp(2 + 2 2 ) exp(2 + 2 ).

ic a

a) E(X) = exp( + 2 /2).

1.c

267. Sea X con distribucin log normal(, 2 ). Demuestre que o

om