Prob1 Ago2013

Introducci on a la probabilidad
Luis Rinc on Departamento de Matem aticas Facultad de Ciencias UNAM Circuito Exterior de CU 04510 M exico DF
Agosto 2013
Pr ologo
El presente trabajo es un ensayo breve que contiene material suciente para un primer curso a nivel universitario sobre la teor a de la probabilidad. Est a dirigido a estudiantes de las carreras de matem aticas, actuar a, matem aticas aplicadas y otras carreras cient cas similares cuyos programas de estudio contemplan un curso semestral en donde se muestren los resultados, usos y aplicaciones de la probabilidad elemental. En este texto se estudian los temas tradicionales de la probabilidad b asica, las variables aleatorias m as conocidas y sus distribuciones de probabilidad, as como algunas t ecnicas y resultados cl asicos de la probabilidad. Las secciones son breves y al nal de la mayor a de ellas el lector encontrar a una peque na colecci on de ejercicios con el n de poner en pr actica lo aprendido. Se ha buscado que en el texto aparezcan numerosas gr acas y diagramas con el objetivo de hacer las explicaciones m as claras. Tambi en se han inclu do sugerencias del uso del paquete computacional R para el estudio y simulaci on de las variables aleatorias y sus distribuciones. En particular, a trav es de unas pocas instrucciones en R se muestra la forma en la que se puede corroborar experimentalmente tanto la ley de los grandes n umeros como el teorema central del l mite. Para una lectura provechosa de este material, se requiere tener cierta familiaridad con algunos conceptos del algebra y del c alculo diferencial e integral. Al nal del texto se ha colocado un ap endice con algunas f ormulas con la nalidad de servir de apoyo en el trabajo individual del estudiante. Luis Rinc on Agosto 2013 Ciudad Universitaria UNAM lars@ciencias.unam.mx
Contenido
1. Probabilidad elemental 1.1. Experimentos aleatorios . . . . . . . . . . . 1.2. Espacio muestral . . . . . . . . . . . . . . . 1.3. Operaciones con conjuntos . . . . . . . . . . 1.4. Probabilidad cl asica . . . . . . . . . . . . . 1.5. Probabilidad geom etrica . . . . . . . . . . . 1.6. Probabilidad frecuentista . . . . . . . . . . 1.7. Probabilidad subjetiva . . . . . . . . . . . . 1.8. Probabilidad axiom atica . . . . . . . . . . . 1.9. Sigmas algebras . . . . . . . . . . . . . . . . 1.10. Espacios de probabilidad . . . . . . . . . . . 1.11. An alisis combinatorio . . . . . . . . . . . . 1.12. Probabilidad condicional . . . . . . . . . . . 1.13. Teorema de probabilidad total . . . . . . . 1.14. Teorema de Bayes . . . . . . . . . . . . . . 1.15. Independencia de eventos . . . . . . . . . . 1.16. Continuidad de las medidas de probabilidad 2. Variables aleatorias 2.1. Variables aleatorias . . . . . . . . . . 2.2. Funci on de probabilidad . . . . . . . 2.3. Funci on de distribuci on . . . . . . . 2.4. Teorema de cambio de variable . . . 2.5. Independencia de variables aleatorias 2.6. Esperanza . . . . . . . . . . . . . . . 2.7. Varianza . . . . . . . . . . . . . . . . iii 1 3 5 8 18 20 28 30 31 40 44 46 59 65 70 75 83 91 91 99 108 118 121 125 136
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
iv 2.8. Momentos . . . . . 2.9. Cuantiles . . . . . 2.10. Funci on generadora 2.11. Funci on generadora . . . . . . . . . . . . . . . . . . . . de probabilidad de momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Contenido . . . . . . . . . . . . . . . . . . . . 142 145 147 153
3. Distribuciones de probabilidad 3.1. Distribuci on uniforme discreta 3.2. Distribuci on Bernoulli . . . . . 3.3. Distribuci on binomial . . . . . 3.4. Distribuci on geom etrica . . . . 3.5. Distribuci on binomial negativa 3.6. Distribuci on hipergeom etrica . 3.7. Distribuci on Poisson . . . . . . 3.8. Distribuci on uniforme continua 3.9. Distribuci on exponencial . . . . 3.10. Distribuci on gama . . . . . . . 3.11. Distribuci on beta . . . . . . . . 3.12. Distribuci on Weibull . . . . . . 3.13. Distribuci on normal . . . . . . 3.14. Distribuci on ji-cuadrada . . . . 3.15. Distribuci on t . . . . . . . . . . 3.16. Distribuci on F . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
159 . 159 . 163 . 167 . 174 . 178 . 182 . 186 . 192 . 196 . 201 . 205 . 208 . 211 . 218 . 223 . 226 231 . 231 . 233 . 241 . 245 . 248 . 250 . 255 . 259 . 261 . 264
4. Vectores aleatorios 4.1. Vectores aleatorios . . . . . . . . . . 4.2. Funci on de probabilidad conjunta . . 4.3. Funci on de distribuci on conjunta . . 4.4. Funci on de probabilidad marginal . . 4.5. Funci on de distribuci on marginal . . 4.6. Independencia de variables aleatorias 4.7. Distribuci on condicional . . . . . . . 4.8. Esperanza condicional . . . . . . . . 4.9. Covarianza . . . . . . . . . . . . . . 4.10. Coeciente de correlaci on . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
5. Teoremas l mite 267 5.1. Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . 267
Contenido
5.2. Convergencia de variables aleatorias . . . . . . . . . . . . . . 270 5.3. La ley de los grandes n umeros . . . . . . . . . . . . . . . . . . 274 5.4. El teorema central del l mite . . . . . . . . . . . . . . . . . . 280 A. Ap endice A.1. Notaci on . . . . . . . . . . . . . . . . . . A.2. El alfabeto griego . . . . . . . . . . . . . A.3. Exponentes y logaritmos . . . . . . . . . A.4. F ormulas para sumas . . . . . . . . . . . A.5. F ormulas de derivaci on e integraci on . . A.6. El lema de Abel . . . . . . . . . . . . . . A.7. Notaci on o-peque na . . . . . . . . . . . A.8. Tabla de la distribuci on normal est andar A.9. Tabla de la distribuci on tpnq . . . . . . . A.10.Tabla de la distribuci on 2 pnq . . . . . . Indice anal tico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 293 293 294 295 296 297 297 299 300 301 305
vi
Contenido
Cap tulo 1
Probabilidad elemental
En esta primera parte estudiaremos algunos de los conceptos m as elementales de la teor a de la probabilidad. Esta teor a matem atica tuvo como uno de sus primeros puntos de partida el intentar resolver un problema particular concerniente a una apuesta de juego de dados entre dos personas. El problema al que nos referimos involucraba una gran cantidad de dinero y puede plantearse de la siguiente forma: Dos jugadores escogen cada uno de ellos un n umero del 1 al 6, distinto uno del otro, y apuestan 32 doblones de oro a que el n umero escogido por uno de ellos aparece en tres ocasiones antes que el n umero del contrario al lanzar sucesivamente un dado. Suponga que el n umero de uno de los jugadores ha aparecido dos veces y el n umero del otro una sola vez. Bajo estas circunstancias, c omo debe dividirse el total de la apuesta si el juego se suspende? Uno de los apostadores, Antonio de Gombaud, popularmente conocido como el caballero De M er e, deseando conocer la respuesta al problema plantea la situaci on a Blaise Pascal (1623-1662). Pascal a su vez consulta con Pierre de Fermat (1601-1665) e inician estos u ltimos un intercambio de cartas a prop osito del problema. Esto sucede en el a no de 1654. Con ello se inician algunos esfuerzos por dar soluci on a este y otros problemas similares que se plantean. Con el paso del tiempo se sientan las bases y las experiencias necesarias para la b usqueda de una teor a matem atica que sintetice los 1
1. Probabilidad elemental
conceptos y los m etodos de soluci on de los muchos problemas particulares resueltos a lo largo de varios a nos. En el segundo congreso internacional de matem aticas, celebrado en la ciudad de Paris en el a no 1900, el matem atico David Hilbert (1862-1943) plantea 23 problemas matem aticos de importancia. Uno de estos problemas es el de encontrar axiomas o postulados a partir de los cuales se pueda construir una teor a matem atica de la probabilidad. Aproximadamente treinta a nos despu es, en 1933, el matem atico ruso A. N. Kolmogorov (1903-1987) propone ciertos axiomas que a la postre resultaron adecuados para la construcci on de una teor a de la probabilidad. Esta teor a prevalece hoy en d a y ha adquirido el calicativo de teor a cl asica.
Blaise Pascal (Francia 16231662)
Pierre de Fermat (Francia 16011665)
Actualmente la teor a de la probabilidad se ha desarrollado y extendido enormemente gracias a muchos pensadores que han contribu do a su crecimiento, y es sin duda una parte muy importante y bien establecida de las matem aticas. La teor a de la probabilidad ha resultado muy u til para modelar fen omenos de muy diversas disciplinas del conocimiento humano en donde es necesario incorporar la incertidumbre o el azar como un elemento del modelo.
1.1. Experimentos aleatorios
1.1.
Experimentos aleatorios
Existen dos tipos de fen omenos o experimentos en la naturaleza: los deterministas y los aleatorios. Un experimento determinista es aquel que produce el mismo resultado cuando se le repite bajo las mismas condiciones, por ejemplo, medir el volumen de un gas cuando la presi on y la temperatura son constantes produce te oricamente siempre el mismo resultado, o medir el angulo de un rayo de luz reejado en un espejo resulta siempre en el mismo resultado cuando el angulo de incidencia es el mismo y el resto de las condiciones son constantes. Muchas otras leyes de la f sica son ejemplos de situaciones en donde bajo id enticas condiciones iniciales, el resultado del experimento es siempre el mismo. En contraparte, un experimento aleatorio es aquel que cuando se le repite bajo las mismas condiciones, el resultado que se observa no siempre es el mismo y tampoco es predecible. El lanzar una moneda al aire y observar la cara de la moneda que mira hacia arriba, o registrar el n umero ganador en un juego de loter a, son ejemplos cotidianos de experimentos aleatorios. Nuestro inter es consiste en estudiar algunos modelos matem aticos que se han logrado desarrollar a lo largo de varios a nos con el objetivo de contar con el conocimiento de conceptos y resultados que nos permitan tener un mejor entendimiento y control de los muy diversos fen omenos aleatorios presentes en la vida del hombre. Para ser m as precisos, pediremos que los experimentos aleatorios que consideraremos cumplan las siguientes caracter sticas: a) El experimento debe poder ser repetible bajo las mismas condiciones iniciales. b) El resultado de cualquier ensayo del experimento es variable y depende del azar o de alg un mecanismo aleatorio. Es necesario mencionar, sin embargo, que en algunas ocasiones no es evidente poder clasicar un experimento dado en aleatorio o determinista, esto depender a del observador, de lo que el o ella conozca del experimento y de lo que esta persona desea observar en el experimento. As , el experimento
mismo no est a separado completamente del observador, pues la concepci on y entendimiento del experimento dependen en alguna medida del observador. En la siguiente secci on de ejercicios se muestran algunos casos particulares.
Ejercicios
1. Clasique los siguientes experimentos en deterministas o aleatorios: a ) Registrar el n umero de accidentes que ocurren en una determinada calle de una ciudad. b ) Observar la temperatura a la que hierve el agua a una altitud dada. c ) Registrar el consumo de electricidad de una casa-habitaci on en un d a determinado. d ) Registrar la hora a la que desaparece el sol en el horizonte en un d a dado visto desde una posici on geogr aca determinada. e ) Observar el precio que tendr a el petr oleo en un a no. f ) Registrar la altura m axima que alcanza un proyectil lanzado verticalmente. g ) Observar el n umero de a nos que vivir a un beb e que nace en este momento. h ) Observar el angulo de reexi on de un haz de luz incidente en un espejo. i ) Registrar la precipitaci on pluvial anual en una zona geogr aca determinada. j ) Observar el tiempo que tarda un objeto en caer al suelo cuando se le suelta de una altura dada. k ) Registrar el ganador de una elecci on en un proceso de votaci on libre y secreto. l ) Observar la posici on de una mol ecula de ox geno en una habitaci on despu es de dejarla en libre movimiento durante un minuto.
1.2. Espacio muestral
1.2.
Espacio muestral
Hemos mencionado que la teor a de la probabilidad es la parte de las matem aticas que se encarga del estudio de los fen omenos o experimentos aleatorios. En principio no sabemos cu al ser a el resultado de un experimento aleatorio, as que por lo menos conviene agrupar en un conjunto a todos los resultados posibles. Esto lleva a la siguiente denici on.
Denici on 1.1 El espacio muestral, o tambi en llamado espacio muestra, de un experimento aleatorio es el conjunto de todos los posibles resultados del experimento, y se le denota generalmente por la letra griega (omega may uscula). A un resultado particular se le denota por (omega min uscula).
M as adelante mostraremos que el espacio muestral no es necesariamente u nico y su determinaci on depende del inter es o la necesidad de la persona que realiza el experimento aleatorio. En algunos textos se usa tambi en la letra S para denotar al espacio muestral. Esta letra proviene del t ermino Sampling space de la lengua inglesa, equivalente a espacio muestral. Por otro lado y de manera preliminar llamaremos evento o suceso a cualquier subconjunto del espacio muestral y los denotaremos por las primeras letras del alfabeto en may usculas: A, B, C, . . . o bien por alguna otra letra en may uscula que nos ayude a identicar al evento. A trav es de algunos ejemplos ilustraremos a continuaci on los conceptos de espacio muestral y evento. Ejemplo 1.1 Si un experimento aleatorio consiste en lanzar un dado y observar el n umero que aparece en la cara superior, entonces claramente el espacio muestral es el conjunto t1, 2, 3, 4, 5, 6u. Como ejemplo de un evento para este experimento podemos denir el conjunto A t2, 4, 6u, que corresponde al suceso de obtener como resultado un n umero par. Si al lanzar el dado una vez se obtiene el n umero 4, decimos entonces que se observ o la ocurrencia del evento A, y si se obtiene por ejemplo el resultado 1, decimos que no se observ o la ocurrencia del evento A.
Ejemplo 1.2 Considere el experimento aleatorio de participar en un juego de loter a. Suponga que hay un mill on de n umeros en esta loter a y un jugador participa con un boleto. Cu al es un posible espacio muestral para este experimento si u nicamente uno de los posibles n umeros es el ganador? Naturalmente al jugador le interesa conocer su suerte en este juego y puede proponer como espacio muestral el conjunto tganar, perder u. Sin embargo puede tambi en tomarse como espacio muestral el conjunto que contiene a todos los posibles n umeros ganadores, es decir, t1, 2, . . . , 1000000u. Este ejemplo sencillo muestra que el espacio muestral de un experimento aleatorio no es u nico y depende del inter es del observador. Ejemplo 1.3 Suponga que un experimento aleatorio consiste en observar el tiempo en el que una m aquina en operaci on sufre su primera descompostura. Si se consideran mediciones continuas del tiempo, entonces puede adoptarse como espacio muestral para este experimento el intervalo r0, 8q. El subconjunto A r1, 2s corresponde al evento en el que la primera descompostura se observe entre la primera y la segunda unidad de tiempo. Se dice que un evento es simple cuando consta de un solo elemento del espacio muestral, en cambio, se llama compuesto cuando consta de mas de un elemento del espacio muestral. Puesto que los conceptos de espacio muestral y evento involucran forzosamente el manejo de conjuntos, recordaremos en la siguiente secci on algunas operaciones entre estos objetos y algunas propiedades que nos ser an de utilidad en el estudio de la probabilidad.
Ejercicios
2. Determine un espacio muestral para el experimento aleatorio de: a ) Observar la posici on de un part cula en un instante dado, la cual se mueve sin restricciones en un espacio tridimensional. b ) Registrar el n umero de personas que requieren hospitalizaci on en el siguiente accidente automovil stico atendido por los servicios de emergencia en una localidad dada.
1.2. Espacio muestral c ) Lanzar un dado hasta que se obtiene un 6.
d ) Registrar la fecha de cumplea nos de n personas escogidas al azar. e ) Observar la forma en la que r personas que abordan un elevador en la planta baja de un edicio descienden en los pisos 1, 2, . . . , n. f ) Registrar la duraci on de una llamada telef onica escogida al azar. g ) Observar el n umero de a nos que le restan de vida a una persona escogida al azar dentro del conjunto de asegurados de una compa n a aseguradora. 3. Proponga un espacio muestral para el experimento aleatorio de lanzar tres monedas a un mismo tiempo suponiendo que las monedas: a ) Son distinguibles. b ) No son distinguibles. 4. Considere el experimento aleatorio de lanzar dos dados distinguibles. Escriba expl citamente los resultados asociados a los siguientes eventos y determine su cardinalidad. a ) A La suma de los dos resultados es 7. b ) B Uno de los dos dados cae en n umero impar y el otro en n umero par. c ) C El resultado de un dado diere del otro en a lo sumo una unidad. d ) D El resultado de un dado diere del otro en por lo menos cuatro unidades. e ) E A X B. f ) F Bc. g ) G C Y D.
1.3.
Operaciones con conjuntos
Supondremos que el espacio muestral de un experimento aleatorio es una especie de conjunto universal y cualquier elemento de lo denotaremos por (omega min uscula). Al conjunto vac o lo denotaremos como es usual por el s mbolo H. Otros s mbolos usuales son los de pertenencia (P), o no pertenencia (R) de un elemento en un conjunto, y los de contenci on (, ), o no contenci on () de un conjunto en otro. Puede usted explicar el signicado del s mbolo ? Justamente, decimos que A es un subconjunto propio de B si A B . La igualdad de dos conjuntos A y B signica que se cumplen las dos contenciones: A B y B A. Por u ltimo, si A es un conjunto, denotamos la cardinalidad o n umero de elementos de ese conjunto por el s mbolo #A. Sean A y B dos subconjuntos cualesquiera de . Recordamos a continuaci on las operaciones b asicas de uni on, intersecci on, diferencia y complemento: A Y B t P : P A o P B u,
A X B t P : P A y P B u, Ac t P : R Au.
A B t P : P A y R B u,
Cuando los conjuntos se expresan en palabras, la operaci on uni on, A Y B , se lee A o B y la intersecci on, A X B , se lee A y B. En la Figura 1.1 se muestran en diagramas de Venn estas dos operaciones.
AYB AXB
Figura 1.1 La diferencia entre dos conjuntos A y B se denota por A B , y corresponde a aquel conjunto de elementos de A que no pertenecen a B , es decir, A B
1.3. Operaciones con conjuntos
se dene como A X B c . En general, el conjunto A B es distinto de B A, de hecho estos conjuntos son siempre ajenos, puede usted comprobar tal armaci on? en qu e caso ambos conjuntos coinciden? Por otro lado el complemento de un conjunto A se denota por Ac y se dene como la colecci on de aquellos elementos de que no pertenecen a A. Mediante un diagrama de Venn ilustramos gr acamente las operaciones de diferencia y complemento en la Figura 1.2.
B A
AB Ac
Figura 1.2
Ejemplo 1.4 Sea A el conjunto de aquellas personas que tienen hijos y B la colecci on de aquellas personas que estan casadas. Entonces el conjunto A X B consta de aquellas personas que estan casadas y tienen hijos, mientras que el conjunto A X B c est a constituido por aquellas personas que tienen hijos pero no estan casadas. Qui en es Ac X B ? Observe que cada persona es un elemento de alguno de los siguientes conjuntos: A X B , A X B c , Ac X B o Ac X B c . A cu al pertenece usted? Es f acil vericar que el conjunto vac o y el conjunto total satisfacen las siguientes propiedades elementales: A Y H A, A X A, A X H H, A Y Ac , A Y , A X Ac H. Adem as las operaciones uni on e intersecci on son asociativas, esto es, satisfacen las siguientes igualdades: A Y pB Y C q pA Y B q Y C,
A X pB X C q pA X B q X C,
10 y tambi en son distributivas, es decir,
A Y pB X C q pA Y B q X pA Y C q.
A X pB Y C q pA X B q Y pA X C q,
Recordemos tambi en la operaci on diferencia sim etrica entre dos conjuntos A y B , denotada por AB , y denida como sigue AB pA Y B q pB X Aq. En la Figura 1.3 ilustramos gr acamente el conjunto resultante de efectuar la diferencia sim etrica entre los conjuntos A y B . Visualmente es f acil comprobar que la diferencia sim etrica tambi en puede escribirse como pA B q Y pB Aq. C omo podr a expresarse en palabras al conjunto AB ?
A B
AB
Figura 1.3 Recordemos adem as las muy u tiles leyes de De Morgan: pA X B qc Ac Y B c . pA Y B qc Ac X B c ,
La validez de estas dos igualdades puede extenderse a colecciones nitas e incluso arbitrarias de conjuntos. Puede usted escribir estas identidades para n conjuntos? Conjuntos ajenos Cuando dos conjuntos no tienen ning un elemento en com un se dice que son ajenos, es decir, los conjuntos A y B son ajenos o disjuntos si se cumple la igualdad A X B H.
11
Por ejemplo, si t1, 2, 3, 4, 5, 6u, entonces los conjuntos A t1, 2u y B t3, 4u son ajenos pues no hay ning un elemento com un entre ellos. El ejemplo general m as importante de conjuntos o eventos ajenos es la pareja dada por A y Ac , para cualquier conjunto A. La propiedad de ser ajenos puede extenderse al caso cuando se tienen varios conjuntos: Decimos que n conjuntos A1 , . . . , An son ajenos si A1 X X An H, y se dice que son ajenos dos a dos (o mutuamente ajenos) si Ai X Aj H para cualesquiera valores de los ndices i, j 1, 2, . . . , n, con i distinto de j . La propiedad de ser ajenos dos a dos para una colecci on de eventos implica que los conjuntos son ajenos, sin embargo, el hecho de que todos ellos sean ajenos no implica que sean ajenos dos a dos. Es decir, la propiedad de ser ajenos dos a dos es m as fuerte que la propiedad de ser simplemente ajenos. Ilustraremos la situaci on con el siguiente ejemplo. Ejemplo 1.5 Los conjuntos A t1, 2u, B t2, 3u y C t3, 4u son ajenos pues A X B X C H, pero no son ajenos dos a dos pues, por ejemplo, el conjunto A X B no es vac o. As , los conjuntos A, B y C son ajenos en el sentido de que la intersecci on de todos ellos es vac a pero no son ajenos dos a dos. Las operaciones entre conjuntos que mencionaremos a continuaci on no son elementales y producen nuevos conjuntos que se encuentran en un nivel distinto al de los conjuntos originales. Conjunto potencia El conjunto potencia de , denotado por 2 , es aquel conjunto constitu do por todos los subconjuntos posibles de . En t erminos estrictos esta nueva colecci on deja de ser un conjunto y se le llama clase de subconjuntos de , aunque seguiremos usando el primer t ermino en nuestro tratamiento elemental de conjuntos. Por ejemplo, si ta, b, cu, entonces el conjunto 2 consta de 8 elementos, a saber, ! ) 2 H, tau, tbu, tcu, ta, bu, ta, cu, tb, cu, ta, b, cu . Observe que los elementos del conjunto potencia son en s mismos conjuntos, y que en esta colecci on estan contenidos todos los eventos que podr an ser
12
de inter es en un experimento aleatorio. No es dif cil demostrar que #p2 q 2# , es decir, el n umero de elementos en el conjunto 2 es exactamente 2 elevado a la potencia dada por la cardinalidad de . De este hecho proviene la notaci on usada para el conjunto potencia: 2 . Observe que la expresi on 2 no tiene el signicado matem atico del n umero 2 elevado a la potencia pues ello no tiene sentido. Debe considerarse como un s mbolo para denotar al conjunto potencia y que sugiere el n umero de elementos en dicha clase. Para el ejemplo anterior se comprueba que la cardinalidad de 2 es efectivamente 2# 23 8. Producto Cartesiano El producto Cartesiano de dos conjuntos A y B , denotado por A B , se dene como la colecci on de todas las parejas ordenadas pa, bq, en donde a es cualquier elemento de A, y b es cualquier elemento de B . En s mbolos, A B tpa, bq : a P A y b P B u.
Ejemplo 1.6 Si A ta1 , a2 u y B tb1 , b2 , b3 u, entonces A B tpa1 , b1 q, pa1 , b2 q, pa1 , b3 q, pa2 , b1 q, pa2 , b2 q, pa2 , b3 qu. Este conjunto puede representarse gr acamente mediante un diagrama de arbol como el que se ilustra en la Figura 1.4 . antas Ejemplo 1.7 Si un hombre tiene 6 camisas y 7 pantalones, de cu maneras diferentes puede vestirse con estas prendas? Respuesta: 6 7 42. En general los conjuntos producto A B y B A son distintos pues la pareja pa, bq es distinta de pb, aq, sin embargo ambos conjuntos tienen la misma cardinalidad, esto es, ambos tienen el mismo n umero de elementos. Si la cardinalidad de A es el n umero n, y la cardinalidad de B es m, entonces
13
b1 a1 b2 b3 b1 a2 b2 b3
pa1 , b1 q pa1 , b2 q pa1 , b3 q pa2 , b1 q pa2 , b2 q pa2 , b3 q
Figura 1.4: Diagrama de arbol. la cardinalidad del conjunto A B es el producto n m. Este resultado es llamado principio de multiplicaci on y se aplica con mucha frecuencia en los procesos de conteo. Un poco m as generalmente, si A1 , A2 , . . . , Ak son conjuntos tales que #Ai ni 1 para i 1, . . . , k , entonces el producto Cartesiano A1 A2 Ak que consta de todos los vectores de la forma pa1 , a2 , . . . , ak q con ai P Ai tiene un total de n1 n2 nk elementos, es decir, #pA1 Ak q n1 n2 nk . Ejemplo 1.8 Si una mujer tiene 3 sombreros, 6 blusas, 8 faldas y 10 pares de zapatos, de cu antas formas diferentes puede vestirse usando una prenda de cada tipo? Respuesta: 3 6 8 10 1440. Ejemplo 1.9 El producto Cartesiano R R, que es el conjunto de todas las parejas de n umeros reales px, y q, se le denota usualmente por R2 . An alo3 4 n gamente se denen los conjuntos R , R , . . ., R . Concluimos aqu nuestra r apida y breve revisi on de la teor a elemental de conjuntos. Recordemos que estamos interesados en calcular probabilidades
14
de los diferentes eventos, es decir, de subconjuntos del espacio muestral que se obtienen de los diversos experimentos aleatorios. En la siguiente secci on estudiaremos algunas formas de denir matem aticamente la probabilidad de un evento.
Ejercicios
5. Sean A, B y C tres subconjuntos arbitrarios de un espacio muestral . Exprese A Y B Y C como la uni on de tres conjuntos ajenos. Utilice un diagrama de Venn para ilustrar su soluci on. 6. Use las propiedades b asicas de las operaciones entre conjuntos para demostrar rigurosamente las siguientes igualdades. En cada caso dibuje un diagrama de Venn para ilustrar cada identidad. a ) A pA X B q Y pA X B c q. b ) Ac B c B A. c ) A X B c A pA X B q.
d ) A Y B A Y pB X Ac q.
e ) pA B q C A pB C q.
f ) A pB X C q pA B q Y pA C q.
7. Demuestre o proporcione un contraejemplo para las siguientes proposiciones. En cada caso dibuje un diagrama de Venn para ilustrar cada situaci on. a ) A X B A A Y B.
b ) Si A X B H entonces A B c . c ) Si A B entonces B c Ac .
d ) Si A X B H entonces A Y B c B c . e ) Si A B entonces A Y pB Aq B . f ) pAc X B q Y pA X B c q pA X B qc .
15
8. Diferencia sim etrica. La diferencia sim etrica entre los conjuntos A y B se puede tqmbi en denir como sigue: AB : pA B q Y pB Aq. Demuestre o proporcione un contraejemplo para las siguientes identidades: a ) AB pA Y B q pA X B q. b ) AB B A. c ) AB Ac B c .
d ) pAB qC ApB C q.
e ) A X pB C q pA X B qpA X C q. f ) A Y pB C q pA Y B qpA Y C q. Sugerencia: Utilice un diagrama de Venn.
9. Sean A, B y C tres eventos de un experimento aleatorio. Exprese las siguientes oraciones en t erminos de los conjuntos A, B y C : a ) Ocurre A o B pero no C . b ) Ninguno de estos tres eventos ocurre. c ) S olo uno de ellos ocurre. d ) Exactamente dos de ellos ocurren. e ) Por lo menos uno de ellos ocurre. f ) A lo sumo dos de ellos ocurren. Sugerencia: Utilice un diagrama de Venn. 10. En una poblaci on humana en donde el n umero de mujeres duplica el n umero de hombres el 42 % de los hombres son mayores de 50 a nos y el 38 % de las mujeres son mayores de 50 a nos. Qu e porcentaje total de la poblaci on es mayor a 50 a nos? 11. Funci on indicadora. La funci on indicadora de un evento cualquiera A se denota por 1A : R y toma el valor uno dentro del evento A y cero fuera de el. Demuestre que:
16 a ) 1 p q 1.
c ) 1AYB p q 1A p q ` 1B p q 1AXB p q. n d ) 1n p q 1Ai p q. i 1 A i

i 1 n
b ) 1H p q 0.
e ) Si A1 , . . . , An son eventos ajenos dos a dos, entonces 1n p q i 1 A i 1Ai p q.
i 1
Sugerencia: Toda funci on indicadora separa su dominio en dos partes disjuntas. Verique estas identidades en cada una de estas partes. nales. Se transmiten cuatro se nales en un canal de comunicaci on. 12. Se Debido al ruido aleatorio que se presenta en el canal, cada se nal se recibe bien o con distorsi on. Dena el evento Di como aqu el que indica que la i- esima se nal est a distorsionada. Exprese los siguientes eventos en t erminos de los eventos Di : a ) Una se nal est a distorsionada. b ) Dos se nales est an distorsionadas. c ) A lo sumo hay dos se nales consecutivas distorsionadas. d ) No hay dos se nales consecutivas distorsionadas. e ) Por lo menos hay dos se nales consecutivas distorsionadas. 13. Considere el experimento aleatorio de escoger al azar dos n umeros x y y del intervalo unitario p0, 1q. El espacio muestral para este experimento es entonces el producto Cartesiano p0, 1q p0, 1q. Represente en un plano Cartesiano este espacio muestral e identique los siguientes eventos: a ) A px 1{2q X py 1{2q. b ) B px 2y q Y py 1{2q. c ) C px2 ` y 2 1q py xq.
d ) D p|x y | 1{4q Y p|1 x y | 1{4q.
17
14. Suponga que un experimento aleatorio consiste en escoger una persona al azar dentro de una poblaci on dada. Dena los eventos: H La persona escogida es hombre. C La persona escogida es casada.
E La persona escogida cuenta con un empleo.
Exprese en palabras el tipo de personas, segun las caracter sticas anteriores, determinadas por los siguientes eventos: a ) H X E. c) H Y E. e) H X E X C.
b ) H c X Ec.
d ) H E.
h ) C c Ec.
g ) pH E q X C c .
f ) pH X C q E .
15. Un n umero entero es seleccionado al azar. Dena los eventos: A El n umero escogido es par.
B El n umero escogido termina en 5. C El n umero escogido termina en 0. Describa con palabras los siguientes eventos: a) A X C. c) A X B.
b) B Y C.
d ) A B.
16. Circuitos. Considere el diagrama de la Figura 1.5 el cual representa un circuito el ectrico. Los componentes A, B1 , B2 , B3 y C pueden o no pueden funcionar. Denotemos por la misma letra el evento de que el correspondiente componente funcione y por su complemento el hecho de que no funcione. Sea F el evento de que el circuito completo funcione. Escriba F y F c en t erminos de los eventos A, B1 , B2 , B3 y C.
18
B1 A B3
B2 C
Figura 1.5
1.4.
Probabilidad cl asica
La probabilidad de un evento A es un n umero real en el intervalo r0, 1s que se denota por P pAq y representa una medida de la frecuencia con la que se observa la ocurrencia de dicho evento cuando se efect ua el experimento aleatorio en cuesti on. Existen deniciones m as espec cas de la probabilidad, algunas de las cuales estudiaremos en las siguientes secciones.
Denici on 1.2 Sea A un subconjunto de un espacio muestral de asica del evento A como cardinalidad nita. Se dene la probabilidad cl el cociente: #A P pAq , # en donde el s mbolo #A denota la cardinalidad o n umero de elementos del conjunto A.
Claramente esta denici on es s olo v alida para espacios muestrales nitos, pues forzosamente necesitamos suponer que el n umero de elementos en es nito. Adem as, el espacio debe ser equiprobable, pues para calcular la probabilidad de un evento A, u nicamente necesitamos contar cu antos elementos tiene A respecto del total , sin importar exactamente cu ales elementos particulares sean. Por lo tanto, esta denici on de probabilidad presupone que todos los elementos de son igualmente probables o tienen el mismo peso. Este es el caso por ejemplo del lanzamiento de un dado equilibrado. Para este experimento el espacio muestral es el conjunto
sica 1.4. Probabilidad cla
19
t1, 2, 3, 4, 5, 6u, y si deseamos calcular la probabilidad (cl asica) del evento A correspondiente a obtener un n umero par, es decir, la probabilidad de A t2, 4, 6u, entonces P pAq 3 1 #t2, 4, 6u . #t1, 2, 3, 4, 5, 6u 6 2
Es inmediato vericar que esta forma de calcular probabilidades cumple, entre otras, las siguientes propiedades: 1. P pq 1. 2. P pAq 0 para cualquier evento A. 3. P pA Y B q P pAq ` P pB q cuando A y B son ajenos.
A esta forma denir la probabilidad tambi en se le conoce con el nombre onomo y matem atico franc es de probabilidad de Laplace en honor del astr Pierre-Simon Laplace, quien estableci o de una manera sistem atica y rigurosa los principios y propiedades de esta manera de calcular probabilidades. M as adelante retomaremos esta denici on de probabilidad cuando revisemoas algunas t ecnicas de conteo.
Ejercicios
17. El juego de una feria consiste en pedirle a un jugador que arroje al azar 4 monedas equilibradas, indistinguibles, todas ellas de una unidad monetaria y marcadas con cara y cruz. Cada moneda que caiga cara es recogida por el jugador y se le entrega una moneda adicional de la misma denominaci on como premio. Por otro lado, el jugador pierde cualquier moneda que caiga cruz. a ) Determine todos los posibles montos de ganancias y p erdidas para este juego. b ) Calcule las probabilidades de todos los posible montos.
20
18. Un experimento aleatorio consiste en lanzar a un mismo tiempo dos dados equilibrados indistinguibles. Determine si a este experimento aleatorio se le puede asignar un espacio muestral nito y equiprobable. 19. Puntos. Suponga que un experimento aleatorio tiene como espacio muestral el conjunto de pares de n umeros px, y q tales que tanto x como y toman valores en el conjunto t1, . . . , nu y que se considera que cualquiera de estos puntos en el plano Cartesiano ocurre con id entica probabilidad. Calcule la probabilidad de que al efectuar una vez el experimento aleatorio: a ) se obtenga un punto en la diagonal, es decir, x y . b ) se obtenga un punto en la orilla, es decir x 1 oxn oy1 o y n. c ) se obtenga un punto px, y q tal que x y . d ) se obtenga un punto px, y q tal que |x y | 1. 20. Una moneda equilibrada y marcada con cara y cruz se lanza 4 veces consecutivas. Calcule la probabilidad de que el n umero de veces que cae cara sea estrictamente mayor al n umero de veces que cae cruz.
1.5.
Probabilidad geom etrica
Esta es una extensi on de la denici on de probabilidad cl asica en donde ahora la probabilidad de un evento A se calcula ya no a trav es de su cardinalidad sino mediante la determinaci on de su area, volumen o alguna caracter stica geom etrica seg un el problema que se trate. Para el caso de areas la denici on es la siguiente.
trica 1.5. Probabilidad geome
21
Denici on 1.3 Si un experimento aleatorio tiene como espacio muestral R2 cuya area est a bien denida y es nita, entonces se dene etrica de un evento A como la probabilidad geom P pAq Area de A , Area de
cuando el concepto de area del subconjunto A est a bien denido.
Para poder aplicar la f ormula anterior es necesario suponer que el espacio muestral es equiprobable en el sentido de que la probabilidad de observar la ocurrencia de un evento A depende u nicamente de su area y no del conjunto mismo. Esta denici on puede enunciarse tambi en para el caso cuando es un subconjunto de R y en tal caso no se habla de area sino de longitud. O bien cuando R3 y en ese caso se habla de volumen, etc etera. Ilustraremos la situaci on mediante algunos ejemplos. Ejemplo 1.10 (El problema del juego de una feria) El juego de una feria consiste en lanzar monedas de radio r sobre un tablero cuadriculado como el que se muestra en la Figura 1.6, en donde el lado de cada cuadrado mide a unidades. Un jugador se hace acreedor a un premio si la moneda lanzada no toca ninguna de las l neas. De qu e tama no deben ser a y r para que la probabilidad de ganar en este juego sea menor a 1{4?
a r a
Figura 1.6 Soluci on: Primero debemos observar que es suciente considerar lo que sucede u nicamente en el cuadrado donde cae el centro de la moneda. No es
22
dif cil darse cuenta que la moneda no toca ninguna l nea si su centro cae dentro del cuadrado interior que se muestra en la Figura 1.7.
r r r a r a
Figura 1.7 Por lo tanto, si A denota el evento de ganar con un lanzamiento en este juego, entonces la probabilidad de A es el cociente entre el area favorable y el area total, es decir, P pAq pa 2rq2 2r p1 q2 . 2 a a
Si deseamos que esta probabilidad sea menor a 1{4, entonces de aqu puede uno encontrar que a y r deben cumplir la relaci on a 4r. Cuando a 4r la probabilidad de ganar es exactamente 1{4. Ejemplo 1.11 (El problema de los dos amigos) Dos amigos deciden encontrarse en cierto lugar pero olvidan la hora exacta de la cita, u nicamente recuerdan que la hora era entre las 12:00 y las 13:00 horas. Cada uno de ellos decide llegar al azar en ese lapso y esperar s olamente 10 minutos. Cu al es la probabilidad de que los amigos se encuentren? Soluci on: Sean x y y el tiempo medido en minutos en los que llegan los dos amigos. El espacio muestral del experimento que consta de observar la hora de llegada de los dos amigos consiste de las parejas px, y q tal que cada entrada de este vector es un instante entre las 12:00 y las 13:00 horas. Gr acamente el espacio muestral se puede representar como el cuadrado que se muestra en la Figura 1.8. Los amigos se encuentran si x y y son tales que |x y | 10 y esta regi on corresponde a la franja que se muestra en la Figura 1.8 y cuya a rea en
23
y 13:00
12:00
13:00
Figura 1.8 minutos es p60q2 p50q2 . Si A denota el evento de inter es, entonces tenemos que P pAq p60q2 p50q2 36 25 11 . p60q2 36 36 En la secci on de ejercicios el lector encontrar a algunos otros problemas de aplicaci on de la probabilidad geom etrica. Para encontrar la soluci on a estos problemas y como sugerencia se recomienda al lector primeramente determinar con claridad el experimento aleatorio en cuesti on y establecer con precisi on un espacio muestral adecuado a la pregunta que sea desea contestar. Observemos nalmente que la probabilidad geom etrica tambi en cumple, entre otras, con las siguientes propiedades:
1. P pq 1. 2. P pAq 0 para cualquier evento A. 3. P pA Y B q P pAq ` P pB q cuando A y B son ajenos.
24
Ejercicios
21. Se escogen dos n umeros x y y al azar dentro del intervalo unitario r0, 1s. Cu al es la probabilidad de que la suma de estos n umeros sea mayor a uno y que al mismo tiempo la suma de sus cuadrados sea menor a uno? Respuesta: p 2q{4. 22. Se escogen dos n umeros al azar dentro del intervalo unitario r0, 1s. Cu al es la probabilidad de que el producto de estos n umeros sea menor a 1{2? Respuesta: pln 2eq{2. 23. Se escogen dos n umeros x y y al azar dentro del intervalo unitario r0, 1s. Cu al es la probabilidad de que: a ) la distancia de x a y sea menor a 1{2? b ) la distancia de x a y sea mayor a 1{4? c ) la distancia de x a cero sea a lo sumo la distancia de y a uno? Respuestas: a) 3{4. b) 9{16. c) 1{2.
24. Se escoge un n umero a al azar dentro del intervalo p1, 1q. Cu al es la probabilidad de que la ecuaci on cuadr atica ax2 ` x ` 1 0 tenga dos ra ces reales? Respuesta: 5{8. 25. Se escogen dos n umeros b y c al azar dentro del intervalo unitario r0, 1s. Cu al es la probabilidad de que la ecuaci on cuadr atica x2 ` bx ` c 0 tenga ra ces complejas? Respuesta: 11{12. 26. El problema de la aguja de Bu on. Considere un conjunto innito de l neas horizontales paralelas sobre una supercie plana como se muestra en la Figura 1.9. La distancia entre una l nea y otra es L. Se deja caer una aguja de longitud sobre la supercie. Suponga L. Cu al es la probabilidad de que la aguja cruce alguna l nea? 2 . Respuesta: L
25
Figura 1.9 Como una simplicaci on suponga el caso L y sea A el evento que ocurre cuando la aguja toca alguna de las l neas. Si se efect ua este experimento n veces y nA denota el n umero de ocurrencias del evento A, entonces el cociente nA {n es cercano a P pAq. As , tenemos la aproximaci on 2 nA , n de donde puede obtenerse una aproximaci on para , a partir del experimento simple de lanzar agujas en una supercie de l neas paralelas: 2n . nA
Suponga ahora L. Cu al es la probabilidad de que la aguja cruce alguna l nea? 2 2 L Respuesta: 1 arc senp L q ` L p1 cosparc senp qqq. ? Usando la identidad cosparc sen xq 1 x2 , 1 x 1, la respuesta anterior se puede escribir tambi en como sigue: L 2 a 2 2 p L2 ` L arc senp qq ` 1. L L 27. Se escogen al azar y de manera independiente tres n umeros a, b y c dentro del intervalo unitario r0, 1s. Cu al es la probabilidad de que la suma de estos n umeros sea menor a uno? Respuesta: 1{6.
26
28. El problema de la varilla de metal. Una varilla de metal de longitud se rompe en dos puntos distintos escogidos al azar. Cu al es la probabilidad de que los tres segmentos as obtenidos formen un tri angulo? Respuesta: 1{4. 29. Un pasajero llega en autob us a la estaci on de trenes. La hora de llegada del autob us es aleatoria entre las 9:00 y 10:00 hrs. Por otro lado, el tren que debe tomar el pasajero parte de la estaci on tambi en al azar entre las 9:00 y 10:00 hrs. El pasajero podr a subirse al tren si el autob us llega por lo menos cinco minutos antes que el tren parta. Cu al es la probabilidad de que el pasajero aborde el tren? Respuesta: p11{12q2 {2. 30. Considere nuevamente el problema de la feria del Ejemplo 1.10 en la p agina 21. Suponga ahora que el jugador gana si la moneda toca a lo sumo un l nea. Cu al es la probabilidad de ganar? Respuesta: 1 p2r{aq2 . 31. Dos personas tienen la misma probabilidad de llegar al lugar de su cita en cualquier instante dentro del intervalo de tiempo r0, T s y llegan de manera independiente una de otra. Encuentre la probabilidad de que el tiempo que una persona tenga que esperar a la otra sea a lo sumo t 0. # tp2T tq{T 2 si 0 t T, Respuesta: 1 si t T. 32. Suponga que se escoge un punto al azar dentro de un segmento de recta de longitud L de tal forma que la probabilidad de que el punto caiga en un subsegmento es la misma de que caiga en cualquier otro subsegmento de la misma longitud. Calcule la probabilidad de que la distancia del punto al centro del segmento sea menor # a . 2 si 2 L, L Respuesta: 1 si 2 L. 33. Suponga que se escogen al azar y de manera independiente dos puntos dentro de un segmento de recta de longitud L de tal forma que la probabilidad de que cualquiera de los puntos caiga en un subsegmento es la misma de que caiga en cualquier otro subsegmento de la
27
misma longitud. Calcule la probabilidad de que por lo menos uno de los puntos caiga en la primera mitad del intervalo. Respuesta: 3{4. 34. Se escogen dos n umeros al azar de manera independiente uno del otro dentro del intervalo r0, Ls. Encuentre la probabilidad de que el promedio aritm etico de estos dos n umeros se encuentre dentro del subintervalo ra, bs r0, Ls. $ 2 L 2pa2 `pLbq2 q si a L{2 b, L2 & Respuesta: 35. Se escogen al azar y de manera independiente tres n umeros reales dentro del intervalo r0, Ls. Calcule la probabilidad de que el promedio aritm etico de estos n umeros sea menor a L{3. Respuesta: 1{6. 36. Tri angulos 1. Se escogen dos n umeros x y y al azar de manera independiente uno del otro dentro del intervalo r0, s. Calcule la probabilidad de que las longitudes x, y y formen un tri angulo. Respuesta: 1{2. 37. Tri angulos 2. Se escogen tres n umeros x, y y z al azar de manera independiente uno del otro dentro del intervalo r0, s. Calcule la probabilidad de que las longitudes x, y y z formen un tri angulo. Sugerencia: En un plano Cartesiano dibuje la curva de nivel z z0 , por ejemplo para z0 {2. Respuesta: 1{2. 38. Se escoge un punto px, y, z q al azar dentro del cubo r1, 1s r1, 1s r1, 1s, de manera uniforme, es decir, con la misma probabilidad para dos regiones con el mismo volumen. Calcule la probabilidad del evento A tpx, y, z q P : |x| ` |y | ` |z | 1u. Respuesta: 1{6. %
2pbàqpbaq L2 2p2Labqpbaq L2
si a L{2.
si b L{2,
28
1.6.
Probabilidad frecuentista
Suponga que se realizan n repeticiones de un cierto experimento aleatorio y se registra el n umero de veces que ocurre un determinado evento A. Esta informaci on puede ser usada de la siguiente forma para denir la probabilidad de A.
Denici on 1.4 Sea npAq el n umero de ocurrencias de un evento A en n realizaciones de un experimento aleatorio. La probabilidad frecuentista del evento A se dene como el l mite P pAq l m npAq . n8 n
En este caso, debemos hacer notar que no es humanamente posible llevar a cabo una innidad de veces el experimento aleatorio, de modo que en la pr actica no es posible encontrar mediante este mecanismo y de manera exacta la probabilidad de un evento cualquiera, aunque permite tener una aproximaci on del valor de P pAq. Esta limitaci on hace que esta denici on de probabilidad no sea enteramente formal, pero tiene algunas ventajas. Veamos un ejemplo concreto. Consideremos nuevamente el experimento aleatorio de lanzar un dado equilibrado y registrar la ocurrencia del evento A denido como el conjunto t2, 4, 6u. Despu es de lanzar el dado 20 veces se obtuvieron los siguientes resultados:
No. 1 2 3 4 5 6 7 8 9 10 Resultado 3 6 2 1 4 6 3 4 2 5 npAq{n 0/1 1/2 2/3 2/4 3/5 4/6 4/7 5/8 6/9 6/10 No. 11 12 13 14 15 16 17 18 19 20 Resultado 2 5 1 6 3 1 5 5 2 6 npAq{n 7/11 7/12 7/13 8/14 8/15 8/16 8/17 8/18 9/19 10/20
1.6. Probabilidad frecuentista
29
npAq{n
1{2
8 10 12 14 16 18 20 Figura 1.10
En la gr aca de la Figura 1.10 se muestra el singular comportamiento de este cociente a lo largo del tiempo, al principio se pueden presentar algunas oscilaciones pero eventualmente el cociente parece estabilizarse en un cierto valor. Realizando un mayor n umero de observaciones del experimento, no es dif cil creer que el cociente npAq{n se estabiliza en 1{2 cuando el dado est a equilibrado y el n umero de ensayos n es grande. Se invita al lector intrigado a efectuar un experimento similar y corroborar esta interesante regularidad estad stica con este o cualquier otro experimento aleatorio de su inter es. M as adelante formalizaremos este resultado mediante la as llamada ley de los grandes n umeros. Simulaci on 1.1 Arroje cien veces una moneda y registre los resultados en una lista. Calcule y graque los cocientes npAq{n cuando el evento A corresponde a obtener alguna de las caras de la moneda. Converge el cociente npAq{n a 1{2? Para agilizar el experimento puede usted dividir los cien lanzamientos en varios grupos de personas y despu es juntar los resultados. Alternativamente, investique la forma de simular este experimento en una computadora y calcule npAq{n para distintos valores de n. V ease la secci on de ejercicios. Es f acil comprobrar que la probabilidad frecuentista tambi en cumple las siguientes propiedades que ya hemos mencionado antes:
30 1. P pq 1. 2. P pAq 0 para cualquier evento A. 3. P pA Y B q P pAq ` P pB q
cuando A y B son ajenos.
Ejercicios
39. Moneda. El lanzamiento de una moneda puede simularse en R usando el comando que aparece abajo. Realice 100 simulaciones del lanzamiento de una moneda equilibrada y compruebe experimentalmente que el n umero de veces que aparece una de las caras entre el total de lanzamientos se aproxima a 1{2 conforme el n umero de lanzamientos crece.
# Simulaci on de 20 lanzamientos de una moneda equilibrada > sample(0:1, 20, replace=TRUE) r1s 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 1 0 1
40. Dado. El lanzamiento de un dado puede simularse en R usando el comando que aparece abajo. Realice 100 simulaciones del lanzamiento de un dado equilibrado y compruebe experimentalmente que el n umero de veces que aparece una de las caras entre el total de lanzamientos se aproxima a 1{6 conforme el n umero de lanzamientos crece.
# Simulaci on de 20 lanzamientos de un dado equilibrado > sample(1:6, 20, replace=TRUE) r1s 1 5 3 4 4 6 3 4 3 3 2 4 4 5 3 1 6 5 6 6
1.7.
Probabilidad subjetiva
En este caso la probabilidad de un evento depende del observador, es decir, depende de lo que el observador conoce del fen omeno en estudio. Puede
tica 1.8. Probabilidad axioma
31
parecer un tanto informal y poco seria esta denici on de la probabilidad de un evento, sin embargo en muchas situaciones es necesario recurrir a un experto para tener por lo menos una idea vaga de c omo se comporta el fen omeno de nuestro inter es y saber si la probabilidad de un evento es alta o baja. Por ejemplo, cu al es la probabilidad de que un cierto equipo de f utbol gane en su pr oximo partido? Ciertas circunstancias internas del equipo, las condiciones del equipo rival o cualquier otra condici on externa, son elementos que s olo algunas personas conocen y que podr an darnos una idea m as exacta de esta probabilidad. Esta forma subjetiva de asignar probabilidades a los distintos eventos debe, sin embargo, ser consistente con una serie de reglas naturales que estudiaremos a continuaci on.
1.8.
Probabilidad axiom atica
En la denici on axiom atica de la probabilidad no se establece la forma expl cita de calcular las probabilidades sino u nicamente se proponen las reglas que el c alculo de probabilidades debe satisfacer. Los siguientes tres postulados o axiomas fueron establecidos en 1933 por el matem atico ruso Andrey Nikolaevich Kolmogorov. Axiomas de la probabilidad 1. P pAq 0. 2. P pq 1. 3. P pA Y B q P pAq ` P pB q cuando A X B H. Recordemos que un axioma o postulado es una proposici on que se acepta como v alida y sobre la cual se funda una teor a, en este caso la teor a de la probabilidad. En particular, estos postulados han sido tomados directamente del an alisis cuidadoso y reexivo de las deniciones de probabilidad mencionadas anteriormente. Y no es dif cil vericar que las deniciones anteriores de probabilidad satisfacen estos tres axiomas. Por ejemplo, considerando nuevamente la denici on de probabilidad frecuentista, se debe realizar una sucesi on de n ensayos de un experimento aleatorio y calcu-
32
lar el cociente npAq{n para un evento A cualquiera. Se observa claramente que el cociente npAq{n es no negativo, esto es el primer axioma. Si A es el evento total , entonces npq n y por lo tanto npq{n 1, esto es el segundo axioma. Finalmente, si A y B son dos eventos ajenos, se tiene que npA Y B q npAq ` npB q y por lo tanto npAq npB q npA Y B q ` , n n n de donde surge el tercer axioma. Observe adem as que este tercer axioma no s olo es v alido para dos eventos ajenos como est a expresado en el enunciado, sino que puede extenderse de manera inmediata para el caso de una colecci on nita de eventos ajenos dos a dos, es decir, si A1 , A2 , . . . , An son eventos ajenos dos dos, entonces P pA1 Y A2 Y Y An q P pA1 q ` P pA2 q ` ` P pAn q. Este resultado puede obtenerse a partir del enunciado del tercer axioma escribiendo sucesivamente la uni on de varios eventos como la uni on de dos eventos. Tenemos a continuaci on la denici on axiom atica de la probabilidad.
Denici on 1.5 A cualquier funci on P denida sobre una colecci on de eventos que satisfaga los tres axiomas de Kolmogorov se le llama medida de probabilidad, o simplemente probabilidad.
En esta denici on no hemos sido muy precisos en denir el dominio de la funci on P , s olo hemos dicho que tal dominio es una colecci on de eventos. En la siguiente secci on especicaremos con mas detalle a esta colecci on de eventos, por ahora nos interesa estudiar las propiedades generales que la funci on P pueda tener. Tomando como base los axiomas de Kolmogorov es posible demostrar que la probabilidad cumple con una serie de propiedades interesantes las cuales estudiaremos a continuaci on.
Proposici on 1.1 Para cualquier evento A,
P pAc q 1 P pAq.
33
Demostraci on. De la teor a elemental de conjuntos tenemos que c c A Y A , en donde A y A son eventos ajenos. Aplicando el tercer axioma tenemos que 1 P pq
P pAq ` P pAc q.
P pA Y Ac q
La proposici on reci en demostrada establece que los eventos A y Ac tienen probabilidad complementaria, es decir, la suma de las probabilidades de estos eventos es siempre uno. Esta sencilla propiedad es bastante u til pues en ocasiones es m as f acil calcular la probabilidad del complemento de un evento que del evento mismo. M as adelante tendremos m ultiples ocasiones para aplicar este resultado.
Proposici on 1.2 P pHq 0. Demostraci on. Como H c , usando la propiedad anterior, tenemos que P pHq P pc q 1 P pq 0. As , hemos tomado como axioma la igualdad P pq 1 y hemos demostrado como propiedad la identidad P pHq 0. En algunos otros textos de probabilidad se toma como axioma la segunda igualdad y se demuestra como propiedad la primera. Ambas formas de proceder son equivalentes. Las siguientes dos proposiciones suponen la situaci on A B , la cual se muestra gr acamente en la Figura 1.11. En particular, el siguiente resultado establece que la probabilidad es una funci on mon otona no decreciente.
Proposici on 1.3 Si A B , entonces P pAq P pB q.
34
Figura 1.11:
A B.
Demostraci on. Primeramente escribimos B A Y pB Aq. Como A y B A son eventos ajenos, por el tercer axioma, P pB q P pAq ` P pB Aq. Usando el primer axioma concluimos que P pB q P pAq P pB Aq 0. De aqu obtenemos P pB q P pAq 0.
Proposici on 1.4 Si A B , entonces P pB Aq P pB q P pAq. Demostraci on. Como B A Y pB Aq, siendo esta uni on ajena, por el tercer axioma tenemos que P pB q P pAq ` P pB Aq. Por ejemplo, suponga que A y B son eventos tales que A B , P pAc q 0.9 y P pB c q 0.6. Deseamos calcular P pB Aq. En esta situaci on es v alida la f ormula P pB Aq P pB q P pAq, en donde, P pAq 0.1 y P pB q 0.4. Por lo tanto, P pB Aq 0.4 0.1 0.3. Observe el lector que en este ejemplo sencillo no se especica el experimento aleatorio en cuesti on ni tampoco se denen los eventos A y B . El tratamiento es completamente anal tico y los resultados son v alidos para cualesquiera eventos A y B con las caracter sticas se naladas.
Proposici on 1.5 Para cualquier evento A, 0 P pAq 1.
35
Demostraci on. Como A , se tiene que P pAq P pq 1. La primera desigualdad, 0 P pAq, es simplemente el primer axioma. En palabras, la proposici on anterior establece que la medida de probabilidad es una funci on que toma valores u nicamente en el intervalo r0, 1s. El siguiente resultado proporciona una f ormula general para la probabilidad de la uni on de cualesquiera dos eventos.
Proposici on 1.6 Para cualesquiera eventos A y B , P pA Y B q P pAq ` P pB q P pA X B q. Demostraci on. Primeramente observamos que para cualesquiera eventos A y B se cumple la igualdad A B A pA X B q. Entonces escribimos a A Y B como la uni on disjunta de los siguientes tres eventos: A Y B pA B q Y pA X B q Y pB Aq pA A X B q Y pA X B q Y pB A X B q.
Ahora aplicamos la probabilidad. Por el tercer axioma, P pA Y B q P pA A X B q ` P pA X B q ` P pB A X B q. Pero A X B A, de modo que P pA A X B q P pAq P pA X B q. An alogamente P pB A X B q P pB q P pA X B q. Por lo tanto, P pA Y B q P pAq ` P pB q P pA X B q. En la Figura 1.12(a) el lector puede comprobar la validez de la f ormula anterior identicando las tres regiones ajenas de las que consta A Y B . El t ermino P pAq abarca las primeras dos regiones de izquierda a derecha, P pB q abarca la segunda y tercera regi on. Observe entonces que la regi on central ha sido contada dos veces de modo que el t ermino P pA X B q da cuenta de ello. De esta forma las tres regiones son contadas una sola vez y el resultado es la probabilidad del evento A Y B .
36
(a) A Y B Figura 1.12
(b) A Y B Y C
Ejemplo 1.12 Sean A y B eventos ajenos tales que P pB q 0.3 y P pA X B c q 0.2. Encuentre P pA Y B q. Soluci on: Usaremos la f ormula P pA Y B q P pAq ` P pB q P pA X B q. Conocemos P pB q. Adem as P pA X B q es cero pues por hip otesis los eventos son ajenos, y P pAq P pA X B c q 0.2. Por qu e? Por lo tanto, P pA Y B q 0.2 ` 0.3 0.5.
Como hemos mencionado, la f ormula anterior para la probabilidad de la uni on de dos eventos es v alida para cualesquiera que sean estos eventos, sin embargo, cuando los eventos son ajenos, es decir, cuando A X B H, entonces la f ormula demostrada se reduce al tercer axioma de la probabilidad, es decir, P pA Y B q P pAq ` P pB q. El siguiente resultado es una generalizaci on del anterior e involucra tres eventos arbitrarios. La f ormula que a continuaci on se demuestra puede tambi en vericarse usando el diagrama de Venn que aparece en la Fig 1.12(b). Para ello siga los t erminos del lado derecho de la f ormula y compruebe que cada regi on es contada una sola vez de modo que el resultado nal es la probabilidad del evento A Y B Y C .
37
Proposici on 1.7 Para cualesquiera eventos A, B y C , P pA Y B Y C q P pAq ` P pB q ` P pC q ` P pA X B X C q.
P pA X B q P pA X C q P pB X C q
Demostraci on. Agrupando adecuadamente y usando la f ormula para dos eventos, P pA Y B Y C q P rpA Y B q Y C s
P pA Y B q ` P pC q P ppA Y B q X C q P pAq ` P pB q P pA X B q ` P pC q P ppA X C q Y pB X C qq
P pAq ` P pB q ` P pC q P pA X B q P pA X C q P pB X C q ` P pA X B X C q.
Las propiedades anteriores son parte del estudio te orico y general de la probabilidad. En general, supondremos que la forma expl cita de calcular estos n umeros es conocida, o que se puede suponer un cierto modelo para llevar a cabo estos c alculos dependiendo del experimento aleatorio en cuesti on. Por ejemplo, cuando el espacio muestral es nito y cada resultado puede suponerse igualmente probable, entonces usaremos la denici on cl asica de probabilidad. En otras situaciones asignaremos probabilidades de acuerdo a ciertos modelos conocidos. Esperamos que, a partir de las propiedades enunciadas y demostradas, el lector haya desarrollado cierta habilidad e intuici on para escribir la demostraci on de alguna otra propiedad de la probabilidad. Se debe tambi en mencionar que las demostraciones no son u nicas y que es muy probable que el lector pueda producir alguna demostraci on diferente a las que aqu se han presentado. Algunas otras propiedades de la probabilidad pueden encontrarse en la secci on de ejercicios.
38
Ejercicios
41. Use el m etodo de inducci on para demostrar que para cualquier colecci on nita de eventos A1 , . . . , An que son ajenos dos a dos se cumple la identidad P pA1 Y Y An q P pA1 q ` ` P pAn q. As , esta propiedad es equivalente al tercer axioma de la probabilidad. 42. Otras propiedades de la medida de probabilidad. Demuestre las siguientes propiedades: a ) P pA X B X C q P pA X B q P pAq. c ) P pA1 Y A2 q P pA1 q ` P pA2 q. n n d ) P p Ai q P pAi q.
i 1 i 1
b ) P pAq P pA Y B q P pA Y B Y C q.
e ) P pA B q P pAq P pA X B q.
c h ) P pA1 X A2 q 1 P pAc 1 q P pA2 q. n i ) P pA1 X A2 X X An q 1 P pAc i q. i 1
g ) Si A B entonces P pAB q 0.
f ) P pAB q P pAq ` P pB q 2P pA X B q.
c l ) Si A1 X A2 A entonces P pAc 1 q ` P pA2 q. n n m ) Si Ai A entonces P pAc q P pAc i q. i 1 i 1
j ) Si A1 X A2 A entonces P pAq P pA1 q ` P pA2 q 1. n n k ) Si Ai A entonces P pAq P pAi q pn 1q.

i 1 i 1 c P pA q
n ) Si A1 , . . . , An tienen probabilidad cero entonces P p
i 1
Ai q 0.

n
39
n ) Si A1 , . . . , An tienen probabilidad uno entonces P p
o ) m axtP pA1 q, P pA2 qu P pA1 Y A2 q m ntP pA1 q ` P pA2 q, 1u. n n p ) m axtP pA1 q, . . . , P pAn qu P p Ai q m nt P pAi q, 1u.
i 1 i 1
i 1
Ai q 1.
43. Demuestre o proporcione un contraejemplo para las siguientes armaciones. a ) Si P pAq 0 entonces A H. b ) Si P pAq 1 entonces A . c ) Si P pAq 0 entonces P pA X B q 0.
d ) Si P pAq P pB q entonces A B . e ) Si P pAq P pB q entonces A B .
h ) Si P pAq P pB q 0 entonces P pA Y B q 0. j ) Si A X B C entonces P pC c q P pAc q ` P pB c q. i ) Si P pAq P pB q 1 entonces P pA X B q 1.
g ) Si A X B H entonces P pAq P pB c q.
f ) Si P pAq P pB q p entonces P pA X B q p2 .
k ) Si P pAq 1{2 y P pB q 1{2 entonces P pA X B q 0. 44. Suponga que un cierto experimento aleatorio tiene como espacio muestral el conjunto nito t1, . . . , nu. Determine si las siguientes funciones son medidas de probabilidad: para cualquier A se dene 2k a ) P pAq . npn ` 1q kPA b ) P pAq 2k , n 1. 2n 2 kPA k pn ` 1q . c ) P pAq k`1 kPA
45. Sean A y B eventos tales que P pAq p, P pB q q y P pA X B q r. Encuentre:
40 a ) P pA X B c q. b ) P pAc X B q.
1. Probabilidad elemental c ) P pAc X B c q.
d ) P pAB q.
46. Encuentre P pA X B X C q cuando P pAq P pB q 1{3, P pC q 1{4, P pA X B q 1{6 y P pB X C q 0. Respuesta: 15{24. 47. F ormula de inclusi on-exclusi on Use el m etodo de inducci on para demostrar que si A1 , A2 , . . . , An son eventos arbitrarios, entonces Pp
n
i 1
Ai q
i 1
P pAi q
i j
P pAi X Aj q `
i,j,k
distintos
P pAi X Aj X Ak q
` p1qn P pA1 X X An q. 48. Sean A, B y C tres eventos. Demuestre que la probabilidad de que exactamente: a ) uno de estos eventos ocurra es P pAq ` P pB q ` P pC q 2P pA X B q 2P pA X C q 2P pB X C q ` 3P pA X B X C q. b ) dos de estos eventos ocurran es P pA X B q ` P pA X C q ` P pB X C q 3P pA X B X C q. c ) tres de estos eventos ocurran es P pA X B X C q.
Cu al es el evento que se obtiene al unir estas tres condiciones? 49. Sean P y Q dos medidas de probabilidad denidas sobre la misma colecci on de eventos. Demuestre que para cada P r0, 1s la funci on P ` p1 qQ es tambi en una medida de probabilidad.
1.9.
Sigmas algebras
En esta breve secci on vamos a denir un conjunto que agrupe a todos los eventos de un mismo experimento aleatorio para los cuales se pueda denir
lgebras 1.9. Sigmas a
41
o calcular sus probabilidades. En este texto elemental no haremos enfasis en este tipo de colecciones de eventos pero son fundamentales para un tratamiento serio de la teor a matem atica de la probabilidad.
Denici on 1.6 Una colecci on F de subconjuntos de un espacio muestral es una algebra si cumple las siguientes tres condiciones: 1. P F . 2. Si A P F entonces Ac P F . 3. Si A1 , A2 , . . . , An P F entonces
n
k 1
Ak P F .
Veamos con m as detenimiento las condiciones que aparecen en la denici on anterior. La primera condici on establece que el espacio muestral en su totalidad debe pertenecer a la colecci on F . Ciertamente el espacio muestral es un evento que siempre ocurre y como hemos visto su probabilidad est a bien denida y es uno. La segunda condici on asegura que si alg un subconjunto A es de inter es y por lo tanto se le considera un evento, entonces el complemento de tal conjunto tambi en debe ser un evento. Nuevamente, por lo estudiado antes, la probabilidad del evento Ac est a siempre dada por 1 P pAq.
Figura 1.13 Finalmente el tercer requisito en la denici on establece que si se tiene una sucesi on nita de eventos entonces la uni on de todos ellos tambi en debe
42
ser un evento, el cual corresponde a la ocurrencia de por lo menos uno de los eventos de la sucesi on. Cuando esta tercera condici on es tambi en v alida para sucesiones innitas de eventos, a esta colecci on de subconjuntos de se le llama - algebra, en donde el prejo se reere a la operaci on innita involucrada.
Denici on 1.7 Una colecci on F de subconjuntos de un espacio muestral es una - algebra si cumple las siguientes tres condiciones: 1. P F . 2. Si A P F entonces Ac P F . 3. Si A1 , A2 , . . . P F entonces
8
n 1
An P F .
A los elementos de F se les llama eventos.
Por lo tanto, a partir de ahora no llamaremos evento a cualquier subconjunto del espacio muestral sino u nicamente a aquellos elementos que pertenezcan a una - algebra asociada al espacio muestral. En el siguiente ejemplo se ilustra el hecho de que pueden existir varias - algebras asociadas a un mismo espacio muestral. Ejemplo 1.13 Sea el espacio muestral de un experimento aleatorio. No es dif cil comprobar que las siguientes colecciones de subconjuntos de son - algebras: 1. F tH, u. 2. F tA, Ac , , Hu, en donde A . 3. F 2 . De esta forma en la - algebra F se agrupa a todos los subconjuntos de para los que estamos interesados en calcular su probabilidad y tal colecci on
lgebras 1.9. Sigmas a
43
constituye el dominio sobre el cual se dene una medida de probabilidad. As , a cada experimento aleatorio particular se le puede asociar una pareja p, F q compuesta por el espacio muestral y una - algebra de eventos.
Ejercicios
50. Sean A y B dos eventos. Demuestre que los siguientes conjuntos tambi en son eventos, es decir, pertenecen a la misma - algebra. a ) H. c) A B. e ) AB . f ) A pA X B q.
b) A X B.
d) A Y
Bc.
51. Sean A y B dos subconjuntos arbitrarios del espacio muestral de un experimento aleatorio. Qu e conjuntos es necesario a nadir a la colecci on tA, B u para convertirla en la m nima - algebra de sunconjuntos de que contiene a A y a B ? 52. Demuestre que toda - algebra es algebra. Mediante un contraejemplo demuestre que el rec proco es falso. V ease sin embargo el siguiente ejercicio. 53. Sea un espacio muestral nito. Demuestre que toda algebra de subconjuntos de es tambi en una - algebra. 54. Sean F1 y F2 dos - algebras de subconjuntos de . a ) Escriba la denici on de F1 X F2 . b ) Demuestre que F1 X F2 es una - algebra. c ) Mediante un contraejemplo demuestre que F1 Y F2 no necesariamente es una - algebra.
44
1.10.
Espacios de probabilidad
Con los elementos antes estudiados podemos ahora denir formalmente la estructura matem atica dise nada para modelar un experimento aleatorio.
Denici on 1.8 Un espacio de probabilidad es una terna p, F , P q en donde es un conjunto arbitrario, F es una - algebra de subconjuntos de y P es una medida de probabilidad denida sobre F .
El conjunto arbitrario representa usualmente el espacio muestral de un experimento aleatorio e inicialmente tal conjunto no tiene ninguna estructura matem atica asociada pues sus elementos pueden ser de muy diversa naturaleza. Este conjunto puede estar constitu do por n umeros (mediciones), personas, objetos, categor as, etc. Hemos se nalado que no existe necesariamente un u nico espacio muestral para un experimento aleatorio pero en la mayor a de los casos su especicaci on queda entendida de manera impl cita. Como hemos mencionado en la secci on anterior, la - algebra F tiene el objetivo de agrupar en una sola colecci on a todos los subconjuntos de , llamados eventos, para los cuales uno est a interesado en denir o calcular su probabilidad. As , la - algebra es un conjunto de subconjuntos de y existen varias - algebras que uno puede asociar a un mismo espacio muestral. Finalmente, la medida de probabilidad P es una funci on denida sobre la - algebra, la cual no se especica de manera totalmente expl cita pero se le pide que cumpla los axiomas de Kolmogorov. As , no existe siempre una u nica medida de probabilidad asignada sino que esta es general. Tal funci on indica la probabilidad de ocurrencia de cada uno de los eventos contenidos en la - algebra F , sin especicar la forma concreta en que estas probabilidades son calculadas. Supondremos entonces que para cada experimento aleatorio existe un espacio de probabilidad asociado p, F , P q, el cual no es necesariamente u nico. Esta terna es un modelo matem atico cuyo objetivo es capturar los elementos esenciales para el estudio cient co del experimento aleatorio. Para la mayor a de los experimentos aleatorios que mencionaremos no se especica
1.10. Espacios de probabilidad
45
con total detalle cada uno de los elementos del espacio de probabilidad, sino que estos son entendidos de manera impl cita, con lo cual se corre el riesgo de provocar alguna confusi on o aparente paradoja en determinados casos y ello no es raro que ocurra. Tomaremos tambi en la perspectiva de no pensar demasiado en los experimento aleatorios particulares que puedan estar detr as de un modelo. Es decir, nos ocuparemos del estudio y consecuencias del modelo matem atico sin la preocupaci on de pensar en que tal modelo puede representar un experimento aleatorio particular. La experiencia ha demostrado que es muy provechoso este punto de vista pues los resultados o consideraciones abstractas pueden luego ser aplicadas con facilidad a situaciones concretas particulares. A lo largo de este texto tendremos m ultiples oportunidades de ilustrar esta situaci on.
Ejercicios
55. Suponga que un experimento aleatorio tiene como espacio muestral el conjunto t1, 2, . . .u y se dene a la - algebra de eventos para este experimento como el conjunto potencia F 2 . Demuestre que la funci on P : F r0, 1s denida a trav es de P ptnuq 1 npn ` 1q n 1, 2, . . .
es una medida de probabilidad, es decir, cumple los tres axiomas de Kolmogorov. As , p, F , P q es un espacio de probabilidad para este experimento aleatorio. Calcule adem as las siguientes probabilidades: a ) P pt1, . . . , nuq. c ) P pt1, 3, 5, . . .uq.
b ) P ptn, n ` 1, . . .uq.
d ) P pt2, 4, 6, . . .uq.
56. Para cada intervalo A pa, bq R se dene la funci on b f pxq dx, P pAq :
a
en donde f pxq
"
2x si 0 x 1, 0 en otro caso.
46
1. Probabilidad elemental Compruebe que la funci on P cumple los tres axiomas de Kolmogorov y por lo tanto es una medida de probabilidad. El espacio muestral es R y los eventos son los distintos subconjuntos de R que se obtienen a partir de los intervalos pa, bq. Calcule adem as la probabilidad de los siguientes eventos: a ) p0, 1{2q. b ) p1, 1q. c ) p1, 3, 2{3q.
d ) p1{2, 8q.
57. Determine de manera completa un posible espacio de probabilidad p, F , P q para cada uno de los siguientes experimentos aleatorios: a ) Observar el resultado del lanzamiento de un dado equilibrado. b ) Observar el marcador nal de un partido de f utbol. c ) Observar el n umero de integrantes de una familia escogida al azar. d ) Escoger un n umero al azar dentro del intervalo unitario p0, 1q. e ) Observar la posici on en la que cae un dardo lanzado a una supercie dada por un c rculo de radio unitario.
1.11.
An alisis combinatorio
Consideraremos ahora el caso cuando el experimento aleatorio es tal que su espacio muestral es un conjunto nito y cada elemento de este conjunto tiene la misma probabilidad de ocurrir, es decir, cuando el espacio es asica nito y equiprobable. En estos casos hemos denido la probabilidad cl de un evento A de la siguiente forma: P pAq #A . #
Para poder aplicar esta denici on necesitamos saber contar cu antos elementos tiene un evento A cualquiera. Cuando podemos poner en una lista todos y cada uno de los elementos de dicho conjunto, entonces es f acil conocer la
lisis combinatorio 1.11. Ana
47
cardinalidad de A, simplemente contamos todos los elementos uno por uno. Sin embargo, es com un enfrentar situaciones en donde no es factible escribir en una lista cada elemento de A, por ejemplo, cu antos n umeros telef onicos existen que contengan por lo menos un cinco? Es poco factible que alguien intente escribir uno a uno todos estos n umeros telef onicos y encuentre de esta manera la cantidad buscada. En las siguientes secciones estudiaremos algunas t ecnicas de conteo que nos ayudar an a calcular la cardinalidad de un evento A en ciertos casos particulares. El principio de multiplicaci on que enunciamos a continuaci on es la base de muchos de los c alculos en las t ecnicas de conteo.
Proposici on 1.8 (Principio de multiplicaci on) Si un procedimiento A1 puede efectuarse de n formas distintas y un segundo procedimiento A2 puede realizarse de m formas diferentes, entonces el total de formas en que puede efectuarse el primer procedimiento seguido del segundo es el producto n m, es decir, #pA1 A2 q #A1 #A2 . Para ilustrar este resultado considere el siguiente ejemplo: suponga que un cierto experimento aleatorio consiste en lanzar un dado y despu es seleccionar al azar una letra del alfabeto. Cu al es la cardinalidad del correspondiente espacio muestral? El experimento de lanzar un dado tiene 6 resultados posibles y consideremos que tenemos un alfabeto de 26 letras. El correspondiente espacio muestral tiene entonces cardinalidad 6 26 156. El principio de multiplicaci on es v alido no solamente para dos procedimientos sino que tambi en vale para cualquier sucesi on nita de procedimientos. Por ejemplo, si A1 , A2 , . . . , Ak denotan k procedimientos sucesivos, entonces este principio se puede enunciar en s mbolos de la forma siguiente: #pA1 Ak q #A1 #Ak . Ejemplo 1.14 Un hombre tiene 4 pantalones distintos, 6 camisas, y dos pares de zapatos. De cu antas formas distintas puede el hombre vestirse con estas prendas? Soluci on: 4 6 2 48. Es decir, el hombre se puede vestir de manera distinta durante 48 d as sin repetir una combinaci on.
48
Vamos a considerar a continuaci on diferentes esquemas y contextos en donde es posible encontrar una f ormula matem atica para ciertos problemas de conteo. En todos ellos aplicaremos el principio de multiplicaci on. El esquema general es el de extraer al azar k objetos, uno a la vez, de una urna con n objetos distintos. Esto se muestra en la Figura 1.14.
n objetos Urna Figura 1.14
k objetos Muestra
Ordenaciones con repetici on: muestras con orden y con reemplazo Suponga que tenemos una urna con n objetos distintos. Deseamos realizar k extracciones al azar de un objeto a la vez. Al efectuar una extracci on, registramos el objeto escogido y lo regresamos a la urna, de esta forma el mismo objeto puede ser extra do varias veces. El total de arreglos que se pueden obtener de esta urna al hacer k extracciones es el n umero nk , pues en cada extracci on tenemos n objetos posibles para escoger y efectuamos k extracciones. Esta f ormula es consecuencia del principio de multiplicaci on enunciado antes. A este n umero se le llama ordenaciones con repetici on. Se dice que la muestra es con orden pues es importante el orden en el que se van obteniendo los objetos, y es con reemplazo pues cada objeto seleccionado se reincorpora a la urna. Ejemplo 1.15 Suponga que tenemos un conjunto de 60 caracteres diferentes. Este conjunto contiene todas las letras min usculas del alfabeto, las letras may usculas, los diez d gitos y algunos caracteres especiales. Cu antos passwords o palabras clave de longitud 4 se pueden construir usando es-
49
te conjunto de 60 caracteres? Este es un ejemplo de una ordenaci on de 60 caracteres en donde se permiten las repeticiones. Como cada caracter de los 60 disponibles puede ser escogido para ser colocado en cada una de las cuatro posiciones de la palabra clave, entonces se pueden construir 60 60 60 60 604 12, 960, 000 distintos passwords de longitud 4. Ordenaciones sin repetici on: muestras con orden y sin reemplazo Suponga que se tiene la misma situaci on que antes, una urna con n objetos y de los cuales se deben extraer, uno a uno, k objetos. Suponga esta vez que el muestreo es sin reemplazo, es decir, una vez seleccionado un objeto este ya no se reincorpora a la urna. El total de arreglos distintos que se pueden obtener de este modo es el n umero: npn 1qpn 2q pn k ` 1q. Primeramente debemos observar que hay k factores en la expresi on anterior. El primer factor es n y ello es debido a que tenemos cualesquiera de los n objetos para ser colocado en primera posici on, para la segunda posici on tenemos ahora n 1 objetos, para la tercera n 2 objetos, y as sucesivamente. Este razonamiento termina al escoger el k - esimo objeto para el cual tenemos u nicamente n k ` 1 posibilidades. Nuevamente por el principio de multiplicaci on, la respuesta es el producto indicado. La expresi on encontrada puede escribirse como sigue: P pn, k q n! , pn k q!
y se le llama permutaciones de n en k . En el caso particular cuando la muestra es exhaustiva, es decir, cuando k n, o bien cuando todos los objetos son extra dos uno por uno, entonces se tienen todas las permutaciones o distintos ordenes en que se pueden colocar n objetos, es decir, n! Ejemplo 1.16 De cuantas formas distintas pueden asignarse los premios primero, segundo y tercero en una rifa de 10 boletos numerados del 1 al 10? Claramente se trata de una ordenaci on sin repetici on de 10 objetos en donde se deben extraer 3 de ellos. La respuesta es entonces que existen 10 9 8 720 distintas asignaciones para los tres primeros lugares en la rifa.
50
Permutaciones: muestras exhaustivas con orden y sin reemplazo La pregunta b asica acerca del total de formas en que podemos poner en orden lineal (uno detr as de otro y por lo tanto no hay repetici on) n objetos distintos tiene como respuesta el factorial de n, denotado por n! y denido como sigue: n! npn 1qpn 2q 3 2 1. A este n umero tambi en se le conoce como las permutaciones de n objetos, y se usa la notaci on P pnq n! Adicionalmente y por conveniencia se dene 0! 1. Observe que las permutaciones de n objetos es un caso particular de la situaci on mencionada en la secci on anterior sobre ordenaciones sin repetici on cuando la muestra es exhaustiva, es decir, cuando se extraen uno a uno todos los objetos de la urna. Ejemplo 1.17 Si deseamos conocer el total de formas distintas en que podemos colocar una enciclopedia de 5 vol umenes en un librero, la respuesta es claramente 5! 5 4 3 2 1 120. El razonamiento es el siguiente: Cualquiera de los cinco libros puede ser colocado al principio, quedan cuatro libros por colocar en la segunda posici on, restan entonces tres posibilidades para la tercera posici on, etc. Por el principio de multiplicaci on la respuesta es el producto de estos n umeros. Combinaciones: muestras sin orden y sin reemplazo Supongamos nuevamente que tenemos un conjunto de n objetos distinguibles y nos interesa obtener una muestra de tama no k . Supongamos ahora que las muestras deben ser sin orden y sin reemplazo. Es decir, en la muestra no debe haber elementos repetidos, pues no hay reemplazo, y adem as la muestra debe verse como un conjunto pues no debe haber orden entre sus elementos. Cu antas diferentes muestras podemos obtener de estas caracter sticas? Para responder a esta pregunta seguiremos el siguiente razonamiento: cuando el orden importa hemos encontrado antes la f ormula n! . pn k q! Ahora que no nos interesa el orden, observamos que cada uno de los arreglos de la f ormula anterior, est a siendo contado k ! veces, las veces en que los
51
mismos k elementos pueden ser permutados unos con otros, siendo que el conjunto de elementos es el mismo. Para obtener arreglos en donde el orden no importa, debemos entonces dividir por k ! La f ormula a la que hemos llegado se llama combinaciones de n en k y la denotaremos como sigue: n n! . k k ! pn k q! A este n umero tambi en se le conoce con el nombre de coeciente binomial de n en k , pues aparece en el famoso teorema del binomio: para cualesquiera n umeros reales a y b, y para cualquier n umero entero n 0,
n n pa ` bq a n k bk . k k 0 n
Para los casos n 2 y n 3 el teorema del binomio se reduce a las siguientes f ormulas que muy seguramente el lector conoce: pa ` bq2 a2 ` 2ab ` b2 .
pa ` bq3 a3 ` 3a2 b ` 3ab2 ` b3 . Ejemplo 1.18 Cu antos equipos distintos de tres personas pueden escogerse de un grupo de 5 personas? Repuesta: observe que el orden de las tres personas escogidas no es importante de modo que la soluci on es 5 5! 10. 3 3! p5 3q! El coeciente binomial es tambi en una forma de generar las entradas del as llamado tri angulo de Pascal, que puede observarse en Figura 1.15. El n- esimo rengl on del tri angulo de Pascal, iniciando desde cero, contiene los coecientes del desarrollo de pa ` bqn . Existe una forma sencilla de construir este tri angulo observando que cada uno de estos n umeros, exceptuando los extremos, es la suma de los dos n umeros inmediatos del rengl on anterior. A este respecto v ease por ejemplo el Ejercicio 72 en la p agina 58.
52
1 1 1 1 1 1 1 4 3 6 2 3 4 1 1 1 1
5 10 10 5 1 6 15 20 15 6 1
Figura 1.15: Tri angulo de Pascal. Coeciente multinomial Ahora consideremos que tenemos n objetos no necesariamente distintos unos de otros, por ejemplo, supongamos que tenemos k1 objetos de un primer tipo, k2 objetos de un segundo tipo, y as sucesivamente, hasta km objetos del tipo m, en donde k1 ` k2 ` ` km n. Estos n objetos pueden todos ordenarse uno detr as de otro de tantas formas distintas como indica el as llamado coeciente multinomial: n n! . k 1 k 2 k m1 k m k 1 ! k 2 ! k m1 ! k m ! Un razonamiento para obtener esta f ormula es el siguiente: si consideramos que los n objetos son todos distintos, entonces claramente las distintas formas en que pueden escribirse todos estos objetos uno detr as de otro es n! Pero para cada uno de estos arreglos, los k1 objetos del primer tipo, supuestos inicialmente distintos cuando en realidad no lo son, pueden permutarse entre s de k1 ! formas diferentes, siendo que el arreglo total es el mismo. De aqu que debamos dividir por k1 ! Lo mismo sucede con los elementos del segundo tipo y as sucesivamente hasta los elementos del tipo m. Ejemplo 1.19 Cu antas palabras distintas se pueden formar permutando las letras de la palabra ` mama? Respuesta: Existen 242 6 palabras distintas y estas son: mama amma mmaa
lisis combinatorio 1.11. Ana maam amam aamm.
53
El coeciente multinomial aparece en la siguiente f ormula: n n km 1 k2 pa1 ` a2 ` ` am q ak 1 a2 am , k1 km
(1.1)
en donde la suma se efect ua sobre todos los posibles valores enteros no negativos de k1 , k2 , . . . , km , tales que k1 ` k2 ` ` km n. A este resultado se le conoce como el teorema multinomial y es claramente una extensi on del teorema del binomio. Por ejemplo, compruebe el lector que la f ormula (1.1) produce la siguiente expresi on: pa ` b ` cq2 a2 ` b2 ` c2 ` 2ab ` 2ac ` 2bc. Puede usted desarrollar pa ` b ` cq3 ? Es interesante observar que cuando hay u nicamente dos tipos de objetos, el coeciente multinomial se reduce al coeciente binomial. Muestras sin orden y con reemplazo Finalmente consideremos el caso de hacer k extracciones de una urna de n objetos con las condiciones de que cada objeto extra do es regresado a la urna (y entonces puede ser elegido nuevamente), y en donde el orden de la muestra no es relevante. Para encontrar una f ormula para el total de muestras que pueden obtenerse con estas caracter sticas usaremos una modelaci on distinta pero equivalente.
n1
Figura 1.16 Consideremos el arreglo de n casillas de la Figura 1.16 junto con la siguiente interpretaci on: la primera casilla tiene dos cruces y eso indica que la bola uno
54
fue seleccionada dos veces, la segunda casilla esta vac a y ello signica que la bola dos no fue seleccionada, etc. El n umero de cruces en la casilla i indica entonces el n umero de veces que la bola i fue seleccionada. En total debe haber k cruces pues es el total de extracciones. Deseamos entonces conocer el n umero de posibles arreglos que pueden obtenerse con estas caracter sticas, y debe ser claro, despu es de algunos momentos de reexi on, que este es el n umero de muestras de tama no k , con reemplazo y sin orden, que se pueden obtener de un conjunto de n elementos distinguibles. Consideremos que las dos paredes en los extremos de este arreglo son jas, estas paredes se encuentran ligeramente remarcadas como puede apreciarse en la Figura 1.16. Consideremos adem as que las posiciones intermedias, cruz o l nea vertical, pueden moverse. En total hay n ` k 1 objetos movibles y cambiar de posici on estos objetos produce las distintas conguraciones posibles que nos interesan. El n umero total de estos arreglos es entonces n`k1 k que equivale a colocar dentro de las n ` k 1 posiciones las k cruces, dejando en los lugares restantes las paredes movibles. Resumen de f ormulas En el contexto de muestras de tama no k tomadas de un conjunto de cardinalidad n, y a manera de resumen parcial, tenemos la tabla de f ormulas de la Figura 1.17. Debemos hacer enfasis, sin embargo, en que los problemas de conteo pueden ser dif ciles de resolver y que para resolver un problema en particular no debemos clasicarlo forzosamente y de manera mec anica en alguno de los esquemas mencionados. Muy posiblemente el problema en cuesti on requerir a de un razonamiento especial que involucre alguna combinaci on de las f ormulas encontradas. En algunos casos uno puede encontrar dos o mas soluciones distintas y aparentemente correctas de un problema. A veces las m ultiples soluciones se deben a que el problema no esta bien especicado y por lo tanto pueden surgir ambig uedades en su interpretaci on. V ease el libro de Sz ekely [19] para conocer una amplia gama de paradojas que surgen en la probabilidad y la estad stica.
55
Muestras con orden
con reemplazo nk n`k1 k
sin reemplazo n! pn k q! n k
sin orden
Figura 1.17 Otro aspecto que amerita mencionarse es que usaremos las t ecnicas de conteo principalmente para aplicarlas en la denici on cl asica de la probabilidad: P pAq #A{#. Aunque estos m etodos son bastante u tiles, constituyen s olo una parte m nima de la teor a de la probabilidad. Mencionaremos tambi en que la programaci on de computadoras puede ser una herramienta u til para resolver problemas de conteo o simplemente para vericar la respuesta encontrada.
Ejercicios
58. Un dado equilibrado se lanza 6 veces consecutivas. Cu al es la probabilidad de que: a ) aparezcan las seis caras del dado en orden creciente o decreciente? b ) aparezcan las seis caras del dado en cualquier orden? c ) s olo aparezcan n umeros pares? d ) aparezcan n umeros pares e impares alternados? Respuestas: . aq 31 65 bq 32562 . cq 216 . dq 215 .
59. El problema de los cumplea nos. Calcule la probabilidad de que en un grupo de n personas al menos dos de ellas tengan la misma fecha de cumplea nos.
56 # 1 1
365! p365nq!p365qn
Respuesta:
si 2 n 365, si n 366.
60. Sea n un entero. Se escogen n puntos al azar en el intervalo r0, Ls de manera independiente uno de otro. Se divide el segmento en n partes de id entica longitud. Calcule la probabilidad de que exactamente un punto caiga en cada subintervalo. n! Respuesta: n n. 61. Se lanza un dado equilibrado tres veces. Calcule la probabilidad de obtener tres n umeros en orden ascendente no necesariamente consecutivos. Respuesta: 5{54. 62. Sean A, B y C tres eventos de un experimento aleatorio cuyas intersecciones son no vac as. Determine el n umero m aximo de formas distintas en las que el evento A Y B Y C puede expresarse como la uni on de tres eventos disjuntos. Suponga que la descomposici on admite el conjunto vac o como alguno de sus tres componentes. Respuesta: 300. 63. Suponga que se desea dibujar en un diagrama de Venn el evento A1 Y A2 Y Y An . Determine el n umero m aximo de regiones simples disjuntas de las que consta este evento. Respuesta: 2n 1. 64. De cu antas maneras diferentes pueden clasicarse los tres primeros lugares de una carrera de n corredores? n! Respuesta: pn 3q! . 65. De cu antas maneras diferentes pueden sentarse n personas en una mesa circular? Respuesta: pn 1q! 66. Suponga que los conductores de 8 autom oviles estacionan sus coches completamente al azar en un estacionamiento de 12 lugares y que la conguraci on del estacionamiento es lineal. Determine la probabilidad de que los lugares no ocupados sean adyacentes. Respuesta: 1{55.
57
67. Rumores. En un pueblo de n`1 habitantes uno de ellos le rumorea algo a una segunda persona, esta a su vez se lo cuenta a una tercera persona (que puede ser la primera persona) y as sucesivamente. Determine la probabilidad de que el rumor se transmita r veces sin que regrese a la primera persona. 1qr1 Respuesta: npn . nr 68. Calcule la probabilidad de que la suma de los resultados de lanzar dos dados equilibrados sea 8 suponiendo que: a ) los dados son distinguibles. b ) los dados son indistinguibles. Respuestas: aq 1{9. bq 1{7.
69. Funciones. Sean A y B dos conjuntos nitos con cardinalidades #A n y #B m. Determine el n umero total de funciones f :AB que sean: a ) sin restricci on alguna. b ) inyectivas (uno a uno), suponiendo n m. c ) suprayectivas (sobre), suponiendo n m. aq mn . bq m!{p m nq! Respuestas: n . cq k1 ! k2 ! km !
70. Un panadero elabora 100 panes en un d a en donde 10 de ellos pesan menos de lo que deber an. Un inspector pesa 5 panes tomados al azar. Calcule la probabilidad de que el inspector encuentre en su muestra exactamente un pan de peso incorrecto. p10qp90q Respuesta: 1 100 4 . p5q 71. Demuestre que k n`m m n . k k i i i 0
58
1. Probabilidad elemental Sugerencia: p1 ` xqn p1 ` xqm p1 ` xqn`m .
72. Demuestre que n1 n1 n . ` k k1 k
A partir de esta f ormula se construye el tri angulo de Pascal. M as generalmente demuestre que n n1 n1 ` k1 k2 km k1 1 k2 km k1 k2 1 km n1 , ` ` k1 k2 km 1 en donde n k1 k2 km n! . k1 ! k2 ! km !
73. Use el ejercicio anterior y el m etodo de inducci on sobre n para demostrar la siguiente extensi on del teorema del binomio: n n m px1 ` ` xm q x k1 x k m , k1 k2 km 1
en donde la suma se realiza sobre todos los posibles valores del vector pk1 , . . . , km q tal que ii) k1 ` ` km n. i) 0 ki n, i 1, . . . , m.
74. Sea n 2 un n umero natural jo. Determine la cantidad de parejas px, y q que existen de n umeros naturales x y y tales que 1 x y n. Respuesta:
npn`1q . 2
75. Sean 1 k n dos n umeros naturales. Determine la cantidad de parejas de n umeros naturales px, y q que existen de tal forma que 1 x, y n y |x y | k. Respuesta: pn k qpn k ` 1q.
1.12. Probabilidad condicional
59
76. Sean 1 k n dos n umeros naturales. Determine la cantidad de vectores que existen de la forma px1 , . . . , xk q de tal manera que cada entrada de este vector es un n umero entero xi que satisface 1 xi n y a ) 1 x1 xk n. b ) 1 x1 xk n. n . Respuestas: aq k bq n`k1 . k
77. Las cajas de cerillos de Banach. Una persona tiene dos cajas de cerillos. Cada caja contiene n cerillos. Coloca una caja en cada uno de sus bolsillos izquierdo y derecho, y cada vez que esta persona requiere un cerillo elije una de sus bolsillos al azar y toma de la caja correspondiente uno de los cerillos. Cu al es la probabilidad de que en el momento en el que la persona se da cuenta de que la caja del bolsillo izquierdo est a vac a en la caja del bolsillo derecho haya exactamente r cerillos? 2n r p1{2qn`1 p1{2qnr . Respuesta: nr 78. Se lanzan tres dados equilibrados. Encuentre la probabilidad de que exactamente en dos de ellos aparezca la cara 1 suponiendo que: a ) los dados son distinguibles. b ) los dados son indistinguibles.
1.12.
Probabilidad condicional
La probabilidad condicional es un concepto elemental pero muy importante que se utiliza con mucha frecuencia en el c alculo de probabilidades. En los resultados que veremos en esta secci on mostraremos las situaciones en las que se aplica la probabilidad condicional para reducir ciertas probabilidades a expresiones m as sencillas.
60
Denici on 1.9 Sean A y B dos eventos y supongamos que B tiene probabilidad estrictamente positiva. La probabilidad condicional del evento A dado el evento B se denota por el s mbolo P pA | B q y se dene como el siguiente cociente: P pA | B q P pA X B q . P pB q (1.2)
El t ermino P pA | B q se lee probabilidad de A dado B y es claro a partir de la denici on que es necesaria la condici on P pB q 0 para que el cociente est e bien denido. Cuando P pB q 0 no existe una denici on establecida para P pA | B q. En ocasiones su usa la expresi on PB pAq para denotar a esta probabilidad. En la expresi on (1.2), el evento B representa un evento que ha ocurrido y la probabilidad condicional P pA | B q es la probabilidad de A modicada con la informaci on adicional de que B ha ocurrido.
Figura 1.18 As , uno puede imaginar que el espacio muestral del experimento aleatorio se ha reducido al evento B de tal forma que todo lo que se encuentre fuera de este evento tiene probabilidad condicional cero. La armaci on anterior es evidente a partir de observar que si A y B son ajenos, entonces el numerador de la probabilidad condicional (1.2) es cero.
Ejemplo 1.20 Considere el experimento de lanzar un dado equilibrado y
1.12. Probabilidad condicional dena los eventos: A t2u Cae el n umero 2,
61
B t2, 4, 6u Cae un n umero par. Es claro que P pAq 1{6, sin embargo, sabiendo que B ha ocurrido, es decir, sabiendo que el resultado es un n umero par, la probabilidad del evento A es ahora P pt2uq 1{6 1 P pA X B q . P pA | B q P pB q P pt2, 4, 6uq 3{6 3 Es inmediato vericar que la probabilidad condicional P pA | B q, vista como una funci on del evento A, cumple los tres axiomas de Kolmogorov, es decir, satisface: a) P p | B q 1. b) P pA | B q 0. c) P pA1 Y A2 | B q P pA1 | B q ` P pA2 | B q, cuando A1 X A2 H.
En consecuencia la funci on A P pA | B q es una medida de probabilidad y por lo tanto se cumplen todos los resultados conocidos para cualquier medida de probabilidad, por ejemplo: 1. P pA | B q 1 P pAc | B q. 2. P pA1 Y A2 | B q P pA1 | B q ` P pA1 | B q P pA1 X A2 | B q.
Ejercicios
79. Sean A y B dos eventos tales que P pAq 1{4, P pB | Aq 1{2 y P pA | B q 1{2. Determine si las siguientes armaciones son ciertas o falsas: a ) A y B son ajenos.
62 b ) P pAc | B c q 3{4.
c ) P pA | B q ` P pA | B c q 1.
80. Demuestre o proporcione un contraejemplo para las siguientes armaciones. a ) P pA | B q P pB | Aq. c ) P pA | B q P pAq.
b ) P pA | B q ` P pA | B c q 1.
d ) Si P pA | B q P pAq entonces P pB | Aq P pB q.
e ) Si P pAq P pB q entonces P pA | C q P pB | C q.
h ) A B c P pA | B q 0.
g ) P pAq P pB q P pA | C q P pB | C q. i ) P pAq P pB q P pA | C q P pB | C q.
f ) Si P pAq 0 y P pB q 0 entonces P pA | B q 0.
k ) P pA | B q P pA | B c q P pB | Aq P pB | Ac q.
j ) A B P pA | C q P pB | C q.
l ) Si B X C H entonces P pA | B Y C q P pA | B q ` P pA | C q.
81. Para cada inciso proporcione un ejemplo en el que se cumpla la armaci on indicada. Estos ejemplos no demuestran la validez general de estas armaciones. a ) P pA | B q 0 pero P pAq 0. b ) P pA | B c q P pAc | B q. c ) P pAq P pA | B q.
d ) P pAq P pA | B q. e ) P pAq P pA | B q. 82. Un grupo de personas esta compuesto de 60 % hombres y 40 % de mujeres. De los hombres, el 30 % fuma y de las mujeres el 20 % fuma. Si una persona de este grupo se escoge al azar, encuentre la probabilidad de que:
1.12. Probabilidad condicional a ) sea hombre y fume. b ) sea hombre y no fume. c ) sea mujer y fume. d ) sea mujer y no fume. e ) sea hombre dado que se sabe que fuma. f ) sea mujer dado que se sabe que no fuma.
63
83. Un dado equilibrado se lanza dos veces consecutivas. Dado que en el primer lanzamiento se obtuvo un 3, cu al es la probabilidad de que la suma de los dos resultados sea mayor a 6? Respuesta: 1{2. 84. Sean A y B eventos independientes ambos con probabilidad estrictamente positiva. Demuestre que para cualquier evento C , P pC | Aq P pB qP pC | A X B q ` P pB c qP pC | A X B c q. 85. Sean B1 , . . . , Bn eventos disjuntos cada uno con probabilidad estrictamente positiva. Dena el evento B como n i1 Bi y sea A un evento tal que P pA | Bi q p para i 1, . . . , n. Demuestre que P pA | B q p. 86. La urna de Polya. En una urna se tienen r bolas rojas y b bolas blancas. Un ensayo consiste en tomar una bola al azar y regresarla a la urna junto con k bolas del mismo color. Se repite este ensayo varias veces y se dene el evento Rn como aqu el en el que se obtiene una bola roja en la n- esima extracci on. Demuestre por inducci on sobre n que P pRn q r , r`b n 1, 2, . . .
87. El problema de las tres puertas (Monty Hall). Se le presentan a un concursante tres puertas cerradas detr as de una de las cuales hay un premio. El concursante debe adivinar la puerta que contiene el premio para ganarlo. Una vez que el concursante elige una puerta, y antes de abrirla, el presentador del concurso abre alguna de las puertas
64
1. Probabilidad elemental restantes y de la cual sabe que no contiene ning un premio. Entonces le pregunta al concursante si desea cambiar su decisi on. Qu e debe hacer el concursante? Justique su respuesta.
88. El problema de los tres prisioneros. A tres prisioneros les informa su celador que se ha escogido al azar a uno de ellos para ser ejecutado dejando a los otros dos en libertad. Uno de los prisioneros razona que tiene 1{3 de probabilidad de ser ejecutado y le pide al celador que le diga en secreto cu al de sus dos compa neros saldr a en libertad argumentando que por lo menos uno de ellos saldr a en libertad y que saber esta informaci on no cambia su probabilidad de ser ejercutado. El celador, por el contrario, piensa que si el prisionero sabe cu al de sus compa neros saldr a en libertad la probabilidad de ser ejecutado aumenta a 1{2. Qui en tiene la raz on? Justique su respuesta. 89. El problema de la ruina del jugador. Dos jugadores A y B lanzan sucesivamente una moneda. En cada lanzamiento, si la moneda cae cara, el jugador B le entrega una unidad monetaria al jugador A, en caso contrario, si la moneda cae cruz, el jugador A le paga una unidad monetaria al jugador B . El juego contin ua hasta que uno de ellos se arruina. Suponga que los lanzamientos de la moneda son independientes, que en cada uno de ellos la probabilidad de obtener cara es p, y que el jugador A inicia con n unidades monetarias y B inicia con N n unidades monetarias. Dena el evento En como aquel en el que el jugador A gana eventualmente todo el dinero cuando comienza con n unidades monetarias y sea q 1 p. Demuestre que la probabilidad P pEn q, denotada por pn , satisface la siguiente ecuaci on en diferencias con las condiciones de frontera especicadas: q ppn`1 pn q ppn pn1 q, n 1, 2, . . . , N 1, p p0 0, pN 1. Verique adem as que la soluci on a este sistema de ecuaciones es el siguiente: $ si p 1{2, & n{N pn 1 pq {pqn % si p 1{2. 1 pq {pqN
1.13. Teorema de probabilidad total
65
1.13.
Teorema de probabilidad total
Sea el espacio muestral de un experimento aleatorio. Decimos que la colecci on de eventos tB1 , B2 , . . . , Bn u es una partici on nita de si se cumplen las siguientes condiciones: a) Bi H, i 1, 2, , . . . , n. para i j .
As , se requiere que cada uno de los elementos de una partici on sea distinto del conjunto vac o, que sean ajenos dos a dos y que la uni on de todos ellos constituyan la totalidad del espacio muestral. De manera gr aca podemos representar una partici on nita como se muestra en la Figura 1.19.
b) Bi X Bj H, c) n i1 Bi .
B1 B2 B3
Figura 1.19
Teorema 1.1 (Teorema de probabilidad total) Sea B1 , . . . , Bn una partici on de tal que P pBi q 0, i 1, . . . , n. Para cualquier evento A, P pAq
n
i 1
P pA | Bi qP pBi q.
66 Demostraci on.
1. Probabilidad elemental Cualquier evento A admite la descomposici on disjunta

n n Bi pA X Bi q. i 1
AAXAX De donde se obtiene P pAq

n
i 1
i 1
P pA X Bi q
i 1
P pA | Bi qP pBi q.
Cuando la partici on del espacio muestral consta de u nicamente los elementos B y B c , la f ormula del teorema de probabilidad total se reduce a la expresi on: P pAq P pA | B q P pB q ` P pA | B c q P pB c q. En el Ejercicio 127 extenderemos ligeramente el teorema de probabilidad total al caso cuando la partici on del espacio muestral consta de un n umero ininito numerable de elementos. La expresi on es an aloga: P pAq
8
i 1
P pA | Bi qP pBi q.
Veremos algunos ejemplos de aplicaci on de la f ormula de probabilidad total. Ejemplo 1.21 Suponga que tenemos dos cajas: una con 3 bolas blancas y 7 bolas de color gris, la otra con 6 blancas y 6 grises. Esta situaci on se ilustra en la Figura 1.20. Si se elije una caja al azar y despu es se saca una bola, cu al es la probabilidad de que sea blanca? El experimento aleatorio consiste entonces en escoger una caja al azar, con id entica probabilidad cada una de ellas, y despu es escoger una bola de la caja escogida. Es claro entonces que el espacio muestral puede escribirse como sigue tpC1 , B q, pC1 , Gq, pC2 , B q, pC2 , Gqu, en donde C1 y C2 denotan los eventos en donde las cajas uno y dos fueron escogidas, respectivamente, y B y G denotan los eventos en donde una bola blanca o gris fueron escogidas respectivamente. Nos piden calcular la
67
Caja 1
Caja 2
Figura 1.20 probabilidad de B . Observe que es f acil calcular la probabilidad de este evento cuando se conoce la caja que fue escogida. Esto sugiere condicionar sobre el resultado de escoger alguna de las dos cajas y aplicar el teorema de probabilidad total, es decir, P pB q P pB | C1 qP pC1 q ` P pB | C2 qP pC2 q 1 6 1 3 ` 10 2 12 2 2 . 5 Observe adem as que la partici on del espacio muestral consta de dos elementos: tpC1 , B q, pC1 , Gqu y tpC2 , B q, pC2 , Gqu. Puede usted comprobar que P pGq 3{5? Puede uno tambi en preguntarse por situaciones aparentemente extra nas como la siguiente: si se obtuvo una bola blanca, cu al es la probabilidad de que haya sido obtenida de la primera caja? Es posible calcular esta probabilidad a trav es del teorema de Bayes, el cual estudiaremos en la siguiente secci on.
Ejemplo 1.22 Suponga que en una poblaci on humana de igual n umero de hombres y mujeres, el 4 % de hombres son dalt onicos y el 1 % de las mujeres son dalt onicas. Una persona es elegida al azar, cu al es la probabilidad de que sea dalt onica? Denamos primero los eventos de inter es. Sea M el evento La persona escogida es mujer, H el evento La persona escogida es hombre y D el evento La persona escogida es dalt onica. Deseamos
68
calcular P pDq. Por el teorema de probabilidad total, P pDq P pD | M qP pM q ` P pD | H qP pH q 1 1 4 1 ` 100 2 100 2 1 . 40
Ejercicios
90. En un grupo de personas hay n mujeres y m hombres. Se escoger an a dos personas al azar de manera secuencial y sin reemplazo. Encuentre la probabilidad de que la segunda persona escogida sea mujer. 91. La urna I contiene 2 canicas blancas y 4 rojas. La urna II contiene 1 canica blanca y 1 roja. Se toma una canica al azar sin verla de la urna I y se coloca en la urna II. Despu es se toma una canica al azar de la urna II. Calcule la probabilidad de que la canica seleccionada de la urna II sea roja. 92. Se tiene un arreglo lineal de tres cajas como se muestra en la Figura 1.21, en donde en cada caja hay 1 canica blanca y 1 azul. Se toma una canica al azar de la primera caja y sin verla se coloca en la segunda caja. Despu es se toma una canica al azar de la segunda caja y sin verla se coloca en la tercera caja. Finalmente se toma una canica al azar de la tercera caja, calcule la probabilidad de que la canica escogida sea azul.
Caja 1
Caja 2
Caja 3
Figura 1.21
69
93. Se cuenta con cuatro monedas marcadas con cara y cruz tal que para la i- esima moneda P pcaraq 0.2i, i 1, 2, 3, 4. Si se escoge una moneda al azar y se lanza al aire, encuentre la probabilidad de que esta caiga cruz. 94. Una persona lanza un dado equilibrado una vez obteniendo el resultado x. Despu es lanza nuevamente el dado tantas veces como indic o el resultado del primer lanzamiento sumando los resultados de estos u ltimos lanzamientos y obteniendo un total de y . Calcule la probabilidad de que los n umeros x y y coincidan. 95. Canal binario ruidoso. Se codica un mensaje en sistema binario usando los s mbolos 0 y 1. El mensaje es tal que en su codicaci on el 45 % son ceros y el 55 % son unos. Los s mbolos 0 y 1 se env an uno a la vez a trav es de un canal binario ruidoso tal que un 0 se distorsiona en un 1 con probabilidad 0.2 y un 1 se distorsiona en un 0 con probabilidad 0.1. Encuentre la probabilidad de que en un uso cualquiera del canal: a ) Se reciba un 0. b ) Se reciba un 1. c ) No haya error en la transmisi on. d ) Haya alg un error en la transmisi on. 96. Una urna contiene 4 bolas blancas y 6 azules. Se lanza un dado equilibrado y se toma una muestra de la urna de tantas bolas como indic o el dado. Suponga que la muestra es sin reemplazo. Encuentre la probabilidad de que todas las bolas escogidas sean blancas. 97. Un estudiante contesta un examen de opci on m ultiple en el cual cada pregunta tiene cinco opciones como respuesta de las cuales s olo una es correcta. Cuando el estudiante conoce la respuesta correcta la selecciona, en caso contrario selecciona una de las opciones al azar. Suponga que el estudiante conoce la respuesta correcta al 80 % de las preguntas. Si el estudiante obtuvo la respuesta correcta a una pregunta, cu al es la probabilidad de que el estudiante haya sabido verdaderamente la respuesta?
70
98. Una urna contiene 3 bola blancas y 4 negras. Se extraen dos bolas azar, una despu es de otra y sin reemplazo. Calcule al probabilidad de que:
a ) la segunda bola sea negra dado que la primera fue negra. b ) la segunda bola sea del mismo color que la primera. c ) la primera bola sea blanca dado que segunda fue blanca.
1.14.
Teorema de Bayes
El resultado interesante que estudiaremos a continuaci on involucra nuevamente probabilidades condicionales. Fue publicado por primera vez en 1763, dos a nos despu es de la muerte de su creador: el matem atico y te ologo ingl es Thomas Bayes.
Thomas Bayes (Inglaterra 17021761)
1.14. Teorema de Bayes
71
Teorema 1.2 (Teorema de Bayes) Sea B1 , . . . , Bn una partici on de tal que P pBi q 0, i 1, . . . , n. Sea A un evento tal que P pAq 0. Entonces para cada j 1, 2, . . . , n, P pBj | Aq P pA | Bj qP pBj q . n P pA | Bi qP pBi q
i 1
Demostraci on. Por el teorema de probabilidad total, P pBj | Aq P pA | Bj qP pBj q P pA | Bj qP pBj q . n P pAq P pA | Bi qP pBi q
i 1
Cuando la partici on de consta de los elementos B y B c , el teorema de Bayes para el evento B adquiere la forma: P pB | Aq P pA | B qP pB q . P pA | B qP pB q ` P pA | B c qP pB c q
Y cuando la partici on consta de un n umero innito numerable de elementos, el teorema de Bayes tiene la siguiente extensi on ligera la cual se pide demostrar en el Ejercicio 128. P pBj | Aq
8
P pA | Bj qP pBj q P pA | Bi qP pBi q
i 1
Veremos ahora algunos ejemplos de aplicaci on del teorema de Bayes. Ejemplo 1.23 En una f abrica hay dos m aquinas. La m aquina 1 realiza el 60 % de la producci on total y la m aquina 2 el 40 %. De su producci on total, la m aquina 1 produce 3 % de material defectuoso, la 2 el 5 %. El asunto es
72
que se ha encontrado un material defectuoso, cu al es la probabilidad de que este material defectuoso provenga de la m aquina 2? Soluci on: Sea M1 el evento La m aquina 1 produjo el material escogido, M2 en evento La m aquina 2 produjo el material escogido y nalmente sea D el evento El material escogido es defectuoso. El problema es encontrar P pM2 | Dq y observamos que la informaci on que tenemos es P pD | M2 q. Por el teorema de Bayes tenemos entonces que P pM2 | Dq P pD | M2 qP pM2 q P pD | M1 qP pM1 q ` P pD | M2 qP pM2 q 40 5 100 100 3 60 5 40 ` 100 100 100 100 10 . 19
Como un ejercicio al lector se deja comprobar que P pM1 | Dq 9{19.
Ejemplo 1.24 En un laboratorio se descubri o una prueba para detectar cierta enfermedad y sobre la ecacia de dicha prueba se conoce lo siguiente: si se denota por E el evento de que un paciente tenga la enfermedad y por N el evento de que la prueba resulte negativa, entonces se sabe que P pN c | E q 0.95, P pN | E c q 0.96 y P pE q 0.01 . Con esta informaci on uno podr a pensar que la prueba es muy buena, sin embargo calcularemos las probabilidades P pE | N q y P pE | N c q usando el teorema de Bayes. P pE | N q P pN | E qP pE q P pN | E qP pE q ` P pN | E c qP pE c q 0.05 0.01 0.05 0.01 ` 0.96 0.99
0.000526 .
1.14. Teorema de Bayes Es bueno que esta probabilidad sea peque na, pero por otro lado, P pE | N c q P pN c | E qP pE q P pN c | E qP pE q ` P pN c | E c qP pE c q 0.95 0.01 0.95 0.01 ` 0.04 0.99
73
0.193 . Esta u ltima probabilidad es demasiado peque na y por lo tanto la prueba no es muy conable en tales casos.
Ejercicios
99. La paradoja de la caja de Bertrand. Se tienen tres cajas y cada una de ellas tiene dos monedas. La caja C1 contiene dos monedas de oro. La caja C2 contiene una moneda de oro y una de plata. La caja C3 contiene dos monedas de plata. V ease la Figura 1.22. Se selecciona una caja al azar y de all se escoge una moneda. Si resulta que la moneda escogida es de oro, cu al es la probabilidad de que provenga de la caja con dos monedas de oro? a ) Argumente con palabras que la respuesta es 1{2. b ) Demuestre que la respuesta es 2{3.
Caja C1
Caja C2
Caja C3
Figura 1.22 100. Una persona toma al azar uno de los n umeros 1, 2 o 3, con id entica probabilidad cada uno de ellos y luego tira un dado equilibrado tantas veces como indica el n umero escogido. Finalmente suma los resultados de las tiradas del dado. Calcule la probabilidad de que:
74 a ) se obtenga un total de 5.
b ) se haya escogido el n umero 2 dado que la suma de las tiradas del dado es 8. aq 11{108. Respuestas: bq 1{4. 101. Suponga que se cuenta con dos urnas con la siguiente conguraci on: la urna A contiene 1 bola negra y 1 blanca, la urna B contiene 2 bolas negras y 2 blancas. V ease la Figura 1.23. Se escogen al azar dos bolas de la urna B y se transeren a la urna A. Se escoge despu es una bola al azar de la urna A. Calcule la probabilidad de que: a ) la bola escogida sea blanca. b ) al menos una bola blanca haya sido transferida dado que la bola escogida es blanca.
Urna A
Urna B
Figura 1.23 102. Canal binario ruidoso. Se codica un mensaje en sistema binario usando los s mbolos 0 y 1. El mensaje es tal que en su codicaci on el 45 % son ceros y el 55 % son unos. Los s mbolos 0 y 1 se env an uno a la vez a trav es de un canal binario ruidoso tal que un 0 se distorsiona en un 1 con probabilidad 0.2 y un 1 se distorsiona en un 0 con probabilidad 0.1. Encuentre la probabilidad de que en un uso cualquiera del canal: a ) Se haya enviado un 0 dado que se recibi o un 0. b ) Se haya enviado un 1 dado que se recibi o un 1. 103. Una caja contiene 3 bolas blancas y 4 bolas azules como se muestra en la Figura 1.24. Suponga que se extraen dos bolas al azar, una despu es de otra y sin reemplazo. Calcule la probabilidad de que: a ) la segunda bola sea azul dado que la primera es azul.
1.15. Independencia de eventos b ) la segunda bola sea del mismo color que la primera. c ) las dos bolas sean de distinto color. d ) la primera bola sea azul dado que la segunda es azul. e ) la segunda bola sea azul.
75
Figura 1.24 104. La urna I contiene 2 canicas blancas y 4 rojas. La urna II contiene 1 canica blanca y 1 roja. Se toma una canica al azar sin verla de la urna I y se coloca en la urna II. Despu es se toma una canica al azar de la urna II. Calcule la probabilidad de que la canica seleccionada de la urna I haya sido roja dado que la que se obtuvo de la urna II es roja.
1.15.
Independencia de eventos
El concepto de independencia es una forma de incorporar al c alculo de probabilidades la no afectaci on de la ocurrencia de un evento sobre la probabilidad de otro. Es un concepto importante que se deriva de observaciones de situaciones reales y su utilizaci on reduce considerablemente el c alculo de probabilidades.
Denici on 1.10 Se dice que los eventos A y B son independientes si se cumple la igualdad P pA X B q P pAqP pB q. (1.3)
Bajo la hip otesis adicional de que P pB q 0, la identidad (1.3) puede escribirse como P pA | B q P pAq y esto signica que la ocurrencia del evento B
76
no afecta a la probabilidad de A. An alogamente, cuando P pAq 0 la identidad (1.3) se puede escribir como P pB | Aq P pB q, es decir, la ocurrencia del evento A no cambia a la probabilidad de B . Veamos algunos ejemplos. Ejemplo 1.25 Considere un experimento aleatorio con espacio muestral equiprobable t1, 2, 3, 4u. 1. Los eventos A t1, 2u y B t1, 3u son independientes pues tanto P pA X B q como P pAqP pB q coinciden en el valor 1{4. 2. Los eventos A t1, 2, 3u y B t1, 3u no son independientes pues P pA X B q 1{2 mientras que P pAqP pB q p3{4qp1{2q 3{8.
Ejemplo 1.26 (Dos eventos que no son independientes). Recordemos que un ensayo en una urna de Polya consiste en escoger una bola al azar de una urna con una conguraci on inicial de r bolas rojas y b bolas blancas y que la bola escogida se regresa a la urna junto con c bolas del mismo color. Considere los eventos R1 y R2 de la urna del Polya, es decir, obtener una bola roja en la primera y en la segunda extracci on, respectivamente. Es claro que estos eventos no son independientes pues P pR2 | R1 qP pR1 q P pR2 q. Inicialmente uno podr a asociar la idea de independencia de dos eventos con el hecho de que estos son ajenos, pero ello es err oneo en general. A continuaci on ilustraremos esta stuaci on. Ejemplo 1.27 (Independencia Ajenos). Considere un evento A H junto con el espacio muestral . Es claro que A y son independientes pues P pA X q P pAqP pq. Sin embargo, A X A H. Por lo tanto, el hecho de que dos eventos sean independientes no implica necesariamente que sean ajenos.
1.15. Independencia de eventos
77
Como complemento al ejemplo anterior, ilustraremos ahora el hecho de que dos eventos pueden ser ajenos sin ser independientes. V ease tambi en el Ejercicio 109 para otro ejemplo de este tipo de situaciones. Ejemplo 1.28 (Ajenos Independencia). Considere el experimento aleatorio de lanzar un dado equilibrado y dena los eventos A como obtener un n umero par y B como obtener un n umero impar. Es claro que los eventos A y B son ajenos, sin embargo no son independientes pues P pA X B q P pAqP pB q. Por lo tanto, dos eventos pueden ser ajenos y ello no implica necesariamente que sean independientes. La denici on de independencia de dos eventos puede extenderse al caso de una colecci on nita de eventos de la siguiente forma.
Denici on 1.11 Decimos que n eventos A1 , A2 , . . . , An son independientes si se satisfacen todas y cada una de las condiciones siguientes: P pAi X Aj q P pAi qP pAj q, i, j distintos. (1.4)
P pAi X Aj X Ak q P pAi qP pAj qP pAk q, . . . P pA1 X X An q P pA1 q P pAn q.
i, j, k distintos. (1.5)
(1.6)
` Observe que hay en total n 2 identidades diferentes de la forma (1.4). Si se cumplen todas las identidades de esta forma, decimos que la colecci on de eventos es independiente ` dos a dos, es decir, independientes tomados por pares. An alogamente hay n identidades diferentes de la forma (1.5). Si se 3 cumplen todas las identidades de esta forma, decimos que la colecci on de eventos es independiente tres a tres, es decir, independientes tomados por tercias. Y as sucesivamente hasta la identidad de la forma (1.6) de la cual s olo hay una expresi on. En general, para vericar que n eventos son independientes es necesario comprobar todas y cada una de las igualdades arriba enunciadas. Es decir, cualquiera de estas igualdades no implica, en general, la validez de alguna otra. En los ejemplos que aparecen abajo mostramos que la independencia
78
dos a dos no implica la independencia tres a tres, ni viceversa. No es dif cil darse cuenta que el total de igualdades que es necesario vericar para que n eventos sean independientes es 2n n 1. Ejemplo 1.29 (Independencia dos a dos Independencia tres a tres). Considere el siguiente espacio muestral equiprobable junto con los siguientes eventos: t1, 2, 3, 4u,
A t1, 2u,
B t2, 3u,
C t2, 4u.
Los eventos A, B y C no son independientes pues aunque se cumplen las igualdades P pA X B q P pAqP pB q, P pA X C q P pAqP pC q, y P pB X C q P pB qP pC q, sucede que P pA X B X C q P pAqP pB qP pC q. Esto muestra que, en general, la independencia dos a dos no implica la independencia tres a tres. Ejemplo 1.30 (Independencia tres a tres Independencia dos a dos). Considere ahora el siguiente espacio muestral equiprobable junto con los siguientes eventos: t1, 2, 3, 4, 5, 6, 7, 8u,
A t1, 2, 3, 4u,
B t1, 5, 6, 7u,
C t1, 2, 3, 5u.
Estos eventos cumplen la condici on P pA X B X C q P pAqP pB qP pC q pero P pA X B q P pAqP pB q. Esto muestra que, en general, la independencia tres a tres no implica la independencia dos a dos. Finalmente mencionaremos que el concepto de independencia puede extenderse al caso de colecciones innitas de eventos en la siguiente forma.
Denici on 1.12 Se dice que un colecci on innita de eventos es independiente si cualquier subcolecci on nita de ella lo es.
1.15. Independencia de eventos
79
Ejercicios
105. Sean A y B eventos tales que P pAq 4{10 y P pA Y B q 7{10. Encuentre la probabilidad de B suponiendo que: a ) A y B son independientes. b ) A y B son ajenos. c ) P pA | B q 1{2. Respuestas: a) 1{2, b) 3{10, c) 3{5.
106. Se lanza un dado equilibrado dos veces. Determine si los siguientes pares de eventos son independientes: a ) A La suma de los dos resultados es 6. b ) A La suma de los dos resultados es 7. B El segundo resultado es 4. 107. Demuestre o proporcione un contraejemplo. a ) A y H son independientes. b ) A y son independientes. c ) Si P pA | B q P pA | B c q entonces A y B son independientes. B El primer resultado es 4.
d ) Si A y B son independientes entonces P pA | B q P pA | B c q.
e ) Si A tiene probabilidad cero o uno, entonces A es independiente de cualquier otro evento. f ) Si A es independiente consigo mismo entonces P pAq 0.
h ) Si P pAq P pB q P pA | B q 1{2 entonces A y B son independientes. 108. Demuestre que las siguientes cuatro armaciones son equivalentes: a ) A y B son independientes. b ) A y B c son independientes.
g ) Si A es independiente consigo mismo entonces P pAq 1.
80 c ) Ac y B son independientes. d ) Ac y B c son independientes.
109. Sea ta, b, c, du un espacio muestral equiprobable. Dena los eventos A ta, bu, B ta, cu y C tau. Compruebe que los siguientes pares de eventos satisfacen las propiedades indicadas. Eventos A, C A, B A, Ac A, H Ajenos Independientes
110. Sean A y B dos eventos independientes. Encuentre una expresi on en t erminos de P pAq y P pB q, o sus complementos, para las siguientes probabilidades: a ) P pA Y B q. b ) P pA Y c ) P pA B q. d ) P pAB q. f ) P pq.
B c q.
e ) P pA pA X B qq.
111. Sean A y B dos eventos independientes tales que P pAq p y P pB q q . Calcule la probabilidad de que: a ) no ocurra ninguno de estos dos eventos. b ) ocurra exactamente uno de estos dos eventos. c ) ocurra por lo menos uno de estos dos eventos. d ) ocurra a lo sumo uno de estos dos eventos. e ) ocurran los dos eventos. 112. Sean A y B dos eventos independientes. Demuestre o proporcione un contraejemplo para las siguientes armaciones: a ) A y A Y B son independientes. b ) A y A X B son independientes. c ) A y B A son independientes.
1.15. Independencia de eventos d ) A B y B A son independientes. 113. Demuestre que las siguientes cuatro armaciones son equivalentes: a) b) c) d) A, B y C son independientes. Ac , B y C son independientes. Ac , B c y C son independientes. Ac , B c y C c son independientes.
81
114. Sean A, B y C tres eventos tales que A es independiente de B y A tambi en es independiente de C . Demuestre o proporcione un contraejemplo para las siguientes armaciones: a ) A y pB X C q son independientes. b ) A y pB Y C q son independientes. c ) B y C son independientes. 115. Suponga que A es un evento independiente de B , de C y de pB Y C q, por separado. Demuestre que A y pB X C q son independientes. 116. En una cierta zona geogr aca estrat egica se han colocado tres radares para detectar el vuelo de aviones de baja altura. Cada radar funciona de manera independiente y es capaz de detectar un avi on con probabilidad 0.85. Si un avi on atraviesa la zona en estudio calcule la probabilidad de que: a ) no sea detectado por ninguno de los radares. b ) sea detectado por lo menos por uno de los radares. c ) sea detectado por lo menos por dos de los radares. 117. Sean A, B y C tres eventos independientes. Demuestre directamente que los siguientes pares de eventos son independientes: a) A y B X C. b) A y B Y C. c ) pA X B q y C . e ) B y pA C q.
d ) pA Y B q y C .
f ) B y pAc Y C c q.
118. Sean A, B y C tres eventos independientes. Encuentre una expresi on en t erminos de P pAq, P pB q y P pC q, o sus complementos, para las siguientes probabilidades:
82 a ) P pA Y B Y C q. c)
1. Probabilidad elemental d ) P pA B C q. f ) P pA X B X g ) P pA Y pB X C qq. i ) P pq.
b ) P pA Y B Y C c q.
P pAc X B c X C c q.
e ) P pA X pB Y C qq. C c q.
h ) P pAB C q.
119. Sean A, B y C tres eventos independientes tales que P pAq p, P pB q q y P pC q r. Calcule la probabilidad de que: a ) no ocurra ninguno de estos tres eventos. b ) ocurra exactamente uno de estos tres eventos. c ) ocurra por lo menos uno de estos tres eventos. d ) ocurran exactamente dos de estos tres eventos. e ) ocurran por lo menos dos de estos tres eventos. f ) ocurra a lo sumo uno de estos tres eventos. g ) ocurran a lo sumo dos de estos tres eventos. h ) ocurran los tres eventos. 120. Use el teorema del binomio para demostrar que el total de igualdades por vericar para comprobar que n eventos son independientes es 2n 1 n. 121. Sean B1 y B2 dos eventos cada uno de ellos independiente del evento A. Proporcione un contraejemplo para las siguientes armaciones: a ) A y B1 Y B2 son independientes. b ) A y B1 X B2 son independientes. c ) A y B1 B2 son independientes. d ) A y B1 B2 son independientes. 122. Demuestre por inducci on sobre n que si A1 , . . . , An son eventos independientes entonces P pA1 Y Y An q 1 p1 P pA1 qq p1 P pAn qq.
1.16. Continuidad de las medidas de probabilidad
83
123. Independencia condicional. Se dice que los eventos A y B son independientes condicionalmente al evento C si P pA X B | C q P pA | C qP pB | C q, suponiendo de antemano que P pC q 0. Proporcione contraejemplos adecuados para demostrar que: a ) la independencia de dos eventos no implica necesariamente su independencia condicional dado un tercer evento. b ) la independencia condicional de dos eventos dado un tercero no implica necesariamente la independencia de los dos primeros. En general pueden darse ejemplos de las situaciones que se presentan en la siguiente tabla: A, B indep. A, B indep. | C
124. Un cierto componente de una m aquina falla el 5 % de las veces que se enciende. Para obtener una mayor conabilidad se colocan n componentes de las mismas caracter sticas en un arreglo paralelo, de tal forma que ahora el conjunto de componentes falla cuando todos fallan. Suponga que el comportamiento de cada componente es independiente uno del otro. Determine el m nimo valor de n a n de garantizar el funcionamiento de la m aquina por lo menos el 99 % de las veces.
1.16.
Continuidad de las medidas de probabilidad
Para concluir este cap tulo mencionaremos una propiedad que cumple toda medida de probabilidad la cual es ligeramente m as avanzada que las que hasta ahora hemos estudiado. Aunque la demostraci on de este resultado
84
no es complicada, por simplicidad en esta exposici on la omitiremos para concentrarnos en su interpretaci on y aplicaci on en las siguientes secciones.
Proposici on 1.9 Sea A1 , A2 , . . . una sucesi on innita de eventos no decreciente, es decir, A1 A2 Entonces Pp
8
n 1
An q l m P pAn q.
n8
Como la sucesi on de eventos es no decreciente entonces es natural denir su l mite como la uni on de todos ellos, es decir, l m An
8
n8
An .
n 1
Observe que esta uni on innita no necesariamente es el espacio muestral pero es un subconjunto de el. Por lo tanto el resultado anterior establece que la probabilidad del l mite de la sucesi on coincide con el l mite de las probabilidades. Este intercambio de l mite y probabilidad es la denici on de continuidad, en este caso para medidas de probabilidad y u nicamente en el caso de sucesiones mon otonas no decrecientes de eventos. Este resultado puede extenderse al caso de sucesiones mon otonas no crecientes, es decir, cuando A1 A2 , en cuyo caso se dene
n8
l m An
n 1
An .
y la armaci on de continuidad es que Pp

8
n 1
An q l m P pAn q.
n8
Haremos uso de estos resultados te oricos importantes en el siguiente cap tulo.
85
Ejercicios
125. Suponiendo v alida la Proposici on 1.9, demuestre que si A1 , A2 , . . . es una sucesi on innita de eventos no creciente, es decir, A1 A2 Entonces 8 Pp An q l m P pAn q.
n 1 n8
126. Encuentre el l mite de las siguientes sucesiones de eventos, los cuales son subconjuntos de R. a ) An p8, a ` 1{nq. b ) An p8, a ` 1{ns. c ) An p1{n, 1{nq. e ) An pn, nq.
d ) An r0, 1{ns.
h ) An pa 1{n, b ` 1{nq.
g ) An ra 1{n, 8q.
f ) An pa ` 1{n, 8q.
on 127. Teorema de probabilidad total extendido. Sea B1 , B2 . . . una partici innita de tal que P pBi q 0, i 1, 2, . . . Demuestre que para cualquier evento A, P pAq
8
i 1
P pA | Bi qP pBi q.
128. Teorema de Bayes extendido. Sea B1 , B2 , . . . una partici on innita de tal que P pBi q 0, i 1, 2, . . . Sea A un evento tal que P pAq 0. Entonces para cada j 1, 2, . . ., P pBj | Aq P pA | Bj qP pBj q . 8 P pA | Bi qP pBi q
i 1
86
Pierre-Simon Laplace
P.-S. Laplace (Francia, 17491827) naci o en el seno de una familia medianamente acomodada dedicada a la agricultura y al comercio. Su padre tuvo la intenci on de que Laplace siguiera una carrera eclesi astica, de modo que de peque no asisti o a una escuela local a cargo de una orden religiosa cat olica y a la edad de 16 a nos fue enviado a la Universidad de Caen para estudiar teolog a. En esta universidad tuvo profesores de matem aticas que despertaron viP.-S. Laplace vamente su inter es en esta disciplina y quienes reconocieron el potencial matem atico del joven estudiante. Laplace dej o la Universidad de Caen sin graduarse pero consigue una carta de presentaci on de sus profesores y viaja a Par s cuando ten a 19 a nos para presentarse ante dAlembert. Despu es de una fr a y esc eptica recepci on por parte de dAlembert, Laplace logra demostrarle su capacidad de trabajo y su sorprendente habilidad natural para las matem aticas. Por medio de una carta de recomendaci on de dAlembert, Laplace consigue un puesto como pro fesor de matem aticas en la Ecole Militaire de Par s. Una vez que Laplace asegura un ingreso econ omico estable, puede entonces establecerse en Par s y dedicarse con mayor empe no a sus trabajos de investigaci on. En efecto, de 1771 a 1787 logr o producir gran parte de su monumental trabajo original en astronom a matem atica. Contribuy o notablemente adem as al desarrollo de varias areas de la ciencia, en particular la mec anica, la probabilidad, la estad stica, la f sica matem atica, el an alisis matem atico y las ecuaciones diferenciales y en diferencias. La diversidad de temas de sus trabajos cient cos muestra su amplia capacidad intelectual y su dominio de muchas areas de la f sica y la matem atica de su tiempo. En 1773, a la edad de 24 a nos y despu es de varios intentos, logra ser nombrado miembro adjunto de la prestigiosa Acad emie des Sciences de Francia, donde a lo largo de los a nos ocupa diversos nombramientos y desde donde hace sentir la inuencia de sus opiniones y pensamientos. Es en esos a nos cuando Laplace consolida su fama como astr onomo y matem atico. En su obra monumental titulada M ecanique C eleste, la cual consta de cinco vol umenes y que fue publicada
87
a lo largo de varios a nos (1799-1825) , Laplace resume y extiende los resultados de sus predecesores. En este trabajo traslada los estudios geom etricos de la mec anica cl asica al de una mec anica basada en el c alculo diferencial e integral, abriendo con ello nuevas perspectivas de desarrollo. En 1785, siendo Laplace examinador de estudiantes de la Escuela de Artilleros, examin o y acredit o al joven estudiante de 16 a nos Napole on Bonaparte (1769-1821). En contraparte, 14 a nos despu es en 1799, Laplace fue nombrado Ministro del Interior de Francia por parte de Napole on Bonaparte. Sin embargo, Laplace ocup o tal cargo por u nicamente seis semanas y con bastante malos resultados seg un un reporte de Napole on. En 1812 Laplace public o un tratado titulado Theorie Analytique des Probabilit es, en el cual establece varios resultados fundamentales de la probabilidad y la estad stica. En particular, estudia el concepto de probabilidad cl asica como aparece denida en este texto y analiza varias de las propiedades que hemos estudiado. La primera edici on de este trabajo de Laplace fue dedicada a Napole on Bonaparte, sin embargo, tal referencia fue omitida en ediciones subsecuentes a partir de la abdicaci on de este. Este peque no hecho muestra los cambios de postura en cuestiones pol ticas que Laplace tuvo y que sus amigos y colegas le recriminaron. Se cree que Laplace buscaba alejarse de la pol tica y de los asuntos de la vida ajenos a su quehacer cient co, pero ello no era f acil dado el liderazgo que como hombre de ciencia naturalmente ocupaba y a los tiempos turbulentos que le toc o vivir en Francia. A Laplace se le considera como un hombre con una extraordinaria capacidad para las matem aticas. Sin duda fue uno de los pensadores m as brillantes dentro del grupo de sus contempor aneos y su inuencia y contribuciones al desarrollo de la ciencia fueron notables. En honor a ello su nombre aparece grabado en la torre Eiel. Laplace muri o en Par s el 5 de marzo de 1827 a la edad de 77 a nos. Fuente: Archivo MacTutor, Universidad de St. Andrews [22].
88
Andrey Nikolaevich Kolmogorov

A. N. Kolmogorov (Rusia, 19031987) qued o hu erfano en el momento de nacer pues en el parto mismo muri o su madre. Ella no estaba casada con el padre y este no se ocup o del reci en nacido. De su padre se conoce muy poco, se cree que fue muerto en 1919 durante la guerra civil rusa. As , el peque no Kolmogorov es criado por dos de sus t as en la casa de su abuelo paterno, de quien adquiere el apellido Kolmogorov. En 1910 se muda a Mosc u con A. N. Kolmogorov una de sus t as y realiza all sus primeros estudios. Desde muy peque no mostr o inclinaci on por la ciencia y la literatura. Siendo adolescente dise n o varias m aquinas de movimiento perpetuo para las cuales no era evidente descubrir el mecanismo de funcionamiento. En 1920 ingres o a la Universidad Estatal de Mosc u y al Instituto Tecnol ogico de Qu mica, en donde estudia diversas disciplinas adem as de matem aticas, entre ellas metalurgia e historia de Rusia. En 1929, a la edad de 19 a nos empieza a tener fama mundial al publicar un trabajo matem atico en donde Kolmogorov construye una serie de Fourier que es divergente casi dondequiera. Alrededor de estas fechas es cuando decide dedicarse completamente a las matem aticas. En 1925 se grad ua en la Universidad Estatal de Mosc u y en 1929 obtiene el doctorado habiendo publicado para ese entonces 18 trabajos cient cos. Se incorpora a la misma universidad en 1931 como profesor. En 1933 publica su famoso libro Grundbegrie der Wahrscheinlichkeitsrechnung (Fundamentos de la Teor a de la Probabilidad) en donde establece los fundamentos axiom aticos de la teor a de la probabilidad y los cuales hemos estudiado en este texto. As , Kolmogorov es uno de los fundadores de la teor a moderna de la probabilidad, quien tambi en contribuy o con brillantez en muchas otras areas de las matem aticas y la f sica como la topolog a, la l ogica, los fen omenos de turbulencia, la mec anica cl asica, la teor a de la informaci on y la complejidad computacional. Es interesante mencionar que Kolmogorov tuvo particular inter es en un proyecto consistente en proveer educaci on especial a ni nos sobresalientes, a quienes dedic o tiempo para crearles las condiciones materiales y de estudio para que estos tuvieran una
89
eduaci on amplia e integral. Kolmogorov recibi o numerosos reconocimientos por la profundidad e importancia de sus trabajos cient cos, tales reconocimientos provinieron no u nicamente de Rusia, sino tambi en de otros pa ses y de varias universidades y academias cient cas internacionales. Fuente: Archivo MacTutor, Universidad de St. Andrews [22].
90
Cap tulo 2
Variables aleatorias
En este cap tulo deniremos a una variable aleatoria como una funci on del espacio muestral en el conjunto de n umeros reales. Esto nos permitir a considerar que el resultado del experimento aleatorio es el n umero real tomado por la variable aleatoria. En consecuencia, nuestro inter es en el estudio de los experimentos aleatorios se trasladar a al estudio de las distintas variables aleatorias y sus caracter sticas particulares.
2.1.
Variables aleatorias
Consideremos que tenemos un experimento aleatorio cualquiera junto con un espacio de probabilidad asociado p, F , P q. Denici on 2.1 Una variable aleatoria es una transformaci on X del espacio de resultados al conjunto de n umeros reales, esto es, X : R, tal que para cualquier n umero real x, t P : X p q xu P F . 91 (2.1)
92
2. Variables aleatorias
La condici on (2.1) ser a justicada m as adelante. Supongamos entonces que se efect ua el experimento aleatorio una vez y se obtiene un resultado en . Al transformar este resultado con la variable aleatoria X se obtiene un n umero real X p q x. As , una variable aleatoria es una funci on determinista y no es variable ni aleatoria, sin embargo tales t erminos se justican al considerar que los posibles resultados del experimento aleatorio son los diferentes n umeros reales x que la funci on X puede tomar. De manera informal puede uno pensar tambi en que un variable aleatoria es una pregunta o medici on que se hace sobre cada uno de los resultados del experimento aleatorio y cuya respuesta es un n umero real, as cada resultado tiene asociado un u nico n umero x. De manera gr aca se ilustra el concepto de variable aleatoria en la Figura 2.1.
Figura 2.1 En lo sucesivo emplearemos la siguiente notaci on: si A es un conjunto de Borel de R, entonces la expresi on pX P Aq, incluyendo el par entesis, denota el conjunto t P : X p q P Au, es decir, pX P Aq t P : X p q P Au. En palabras, la expresi on pX P Aq denota aquel conjunto de elementos del espacio muestral tales que bajo la aplicaci on de la funci on X toman un valor dentro del conjunto A. A este conjunto se le llama la imagen inversa de A y se le denota por X 1 A, lo cual no debe confundirse con la funci on inversa de X pues esta puede no existir. V ease el ejercicio 130 en donde se pide demostrar algunas propiedades sencillas de la imagen inversa. Por
2.1. Variables aleatorias
93
ejemplo, consideremos que el conjunto A es el intervalo pa, bq, entonces el evento pX P pa, bqq tambi en puede escribirse como pa X bq y es una abreviaci on del evento t P : a X p q b u. Como otro ejemplo considere que el conjunto A es el intervalo innito p8, xs para alg un valor real x jo. Entonces el evento pX P p8, xsq tambi en puede escribirse como pX xq y signica t P : 8 X p q x u, que es justamente el conjunto al que se hace referencia en la expresi on (2.1). A esta propiedad se le conoce como la condici on de medibilidad de la funci on X respecto de la - algebra F del espacio de probabilidad y la - algebra de Borel de R. No haremos mayor enfasis en la vericaci on de esta condici on para cada funci on X : R que se dena pero dicha propiedad es importante pues permite trasladar la medida de probabilidad del espacio de probabilidad a la - algebra de Borel de R del siguiente modo: Medida de probabilidad inducida Para cualquier intervalo de la forma p8, xs se obtiene su imagen inversa bajo X , es decir, X 1 p8, xs t P : X p q xu. Como este conjunto pertenece a F por la condici on (2.1), se puede aplicar la medida de probabilidad P pues esta tiene como dominio F . As , mediante la funci on X puede trasladarse la medida de probabilidad P a intervalos de la forma p8, xs y puede demostrarse que ello es suciente para extenderla a la totalidad de la - algebra de Borel de R. A esta nueva medida de probabilidad se le denota por PX pq y se le llama la medida de probabilidad inducida por la variable aleatoria X . Por simplicidad omitiremos el sub ndice del t ermino PX , de modo que adoptar a la misma notaci on que la medida de probabilidad del espacio de probabilidad original p, F , P q. De esta forma tenemos un nuevo espacio de probabilidad pR, B pRq, P q, el cual tomaremos como elemento base de ahora en adelante sin hacer mayor enfasis en ello.
94
Nuestro inter es es el estudio de los dintintos eventos de la forma pX P Aq y sus probabilidades en donde X es una variable aleatoria y A es un conjunto de Borel de R, por ejemplo un intervalo de la forma pa, bq. ermino variable aleatoA menudo se escribe simplemente v.a. en lugar del t ria. Seguiremos tambi en la notaci on usual de utilizar la letra may uscula X para denotar una variable aleatoria cualquiera, es decir, X es una funci on de en R, mientras que la letra min uscula x denota un n umero real y representa un posible valor de la variable aleatoria. En general, las variables aleatorias se denotan usando las u ltimas letras del alfabeto en may usculas: U, V, W, X, Y, Z , y para un valor cualquiera de ellas se usa la misma letra en min uscula: u, v, w, x, y, z . Ejemplo 2.1 Suponga que un experimento aleatorio consiste en lanzar al aire una moneda equilibrada y observar la cara superior una vez que la moneda cae. Denotemos por Cara y Cruz los dos lados de la moneda. Entonces claramente el espacio muestral es el conjunto tCara, Cruzu. Dena la variable aleatoria X : R de la siguiente forma: X pCaraq 0, X pCruzq 1.
De este modo podemos suponer que el experimento aleatorio tiene dos valores num ericos: 0 y 1. Observe que estos n umeros son arbitrarios pues cualquier otro par de n umeros pueden ser escogidos como los valores de X . Se muestran a continuaci on algunos ejemplos de eventos de esta variable aleatoria y sus correspondientes probabilidades: a) P pX P r1, 2qq P ptCruzuq 1{2. b) P pX P r0, 1qq P ptCarauq 1{2. c) P pX P r2, 4sq P pHq 0. d) P pX 1q P ptCruzuq 1{2. e) P pX 1q P pHq 0. f) P pX 0q P pq 1.
95
Ejemplo 2.2 Sea c una constante. Para cualquier experimento aleatorio con espacio muestral se puede denir la funci on X p q c. As , cualquier resultado del experimento aleatorio produce, a trav es de la funci on X , el n umero c. Decimos entonces que X es la variable aleatoria constante c y se puede vericar que para cualquier conjunto de Borel A de R, " 1 si c P A, P pX P Aq 0 si c R A. Ejemplo 2.3 Consideremos el experimento aleatorio consistente en lanzar un dardo en un tablero circular de radio uno como se muestra en la Figura 2.2. El espacio muestral o conjunto de posibles resultados de este experimento se puede escribir como tpx, y q : x2 ` y 2 1u y su representaci on gr aca se muestra en la Figura 2.2.
px, y q
Figura 2.2 Los siguientes son ejemplos de variables aleatorias, es decir, funciones de en R, asociadas a este experimento aleatorio. Para cualquier px, y q P se dene: a) X px, y q x. Esta funci on es la proyecci on sobre el eje horizontal. El conjunto de valores que la variable X puede tomar es el intervalo r1, 1s.
96
2. Variables aleatorias b) Y px, y q y . Esta funci on es la proyecci on sobre el eje vertical. El conjunto de valores que la variable Y puede tomar es el intervalo r1, 1s. a c) Z px, y q x2 ` y 2 . Esta funci on es la distancia al centro del c rculo. El conjunto de valores que la variable Z puede tomar es el intervalo r0, 1s. d) V px, y q |x| ` |y |. Esta funci on es la as llamada distancia del taxista. El? conjunto de valores que la variable V puede tomar es el intervalo r0, 2s. e) W px, y q xy . Esta funci on es el producto de las coordenadas. El conjunto de valores que la variable W puede tomar es el intervalo r1{2, 1{2s.
Otros ejemplos de variables aleatorias aparecen en la secci on de ejercicios y muchas otras variables se denir an a lo largo del texto. Nuestro objetivo es el estudio de las distintas variables aleatorias pues estas codican en n umeros los resultados de los experimentos aleatorios. Variables aleatorias discretas y continuas Considerando el conjunto de valores que una variable aleatoria puede tomar, vamos a clasicar a las variables aleatorias en dos tipos: discretas o continuas. Decimos que una variable aleatoria es discreta cuando el conjunto de valores que esta toma es un conjunto discreto, es decir, un conjunto nito o numerable. Por ejemplo, el conjunto t0, 1, 2, . . . , nu es un conjunto discreto porque es nito, lo mismo N pues aunque este es un conjunto innito, es numerable y por lo tanto discreto. Por otra parte, decimos que una variable aleatoria es continua cuando toma todos los valores dentro de un intervalo pa, bq R. Esta clasicaci on de variables aleatorias no es completa pues existen variables que no son de ninguno de los dos tipos mencionados. Sin embargo, por simplicidad, nos concentraremos en estudiar u nicamente variables aleatorias de estos dos tipos.
97
Ejemplo 2.4 La variable X denida en el Ejemplo 2.1 del lanzamiento de una moneda es una variable aleatoria discreta. En ese ejemplo el espacio muestral mismo es discreto y por lo tanto las variables aleatorias que pueden all denirse tienen que ser discretas forzosamente. En el Ejemplo 2.3 del lanzamiento de un dardo en un tablero circular de radio uno, el espacio muestral de la Figura 2.2 es innito no numerable, las variables X, Y, Z, V y W denidas all son todas variables aleatorias continuas. Si se dibujan c rculos conc entricos alrededor del origen y si se asignan premios asociados a cada una de las regiones resultantes, puede obtenerse un ejemplo de una variable aleatoria discreta sobre este espacio muestral.
Ejemplo 2.5 Un experimento aleatorio consiste en escoger a una persona al azar dentro de una poblaci on humana dada. La variable aleatoria X evaluada en corresponde a conocer una de las caracter sticas que aparecen en la lista de abajo acerca de la persona escogida. En cada caso puede considerarse que la variable X es discreta. a) Edad en a nos. b) N umero de hijos. c) Peso. d) Estatura. En las siguientes secciones vamos a explicar la forma de asociar a cada variable aleatoria dos funciones que nos proveen de informaci on acerca de las caracter sticas de la variable aleatoria. Estas funciones, llamadas funci on de densidad y funci on de distribuci on, nos permiten representar a un mismo tiempo tanto los valores que puede tomar la variable como las probabilidades de los distintos eventos. Deniremos primero la funci on de probabilidad para una variable aleatoria discreta, despu es la funci on de densidad para una v.a. continua, y nalmente deniremos la funci on de distribuci on para ambos tipos de variables aleatorias.
98
Ejercicios
129. Suponga que un experimento aleatorio consiste en escoger un n umero al azar dentro del intervalo p0, 1q. Para cada resultado del experimento se expresa a este n umero en su expansi on decimal 0.a1 a2 a3 en donde ai P t0, 1, . . . , 9u, i 1, 2, . . . Para cada una de las siguientes variables aleatorias determine si esta es discreta o continua y en cualquier caso establezca el conjunto de valores que puede tomar: a ) X p q 1 . b ) Y p q a1 . c ) Z p q 0.0a1 a2 a3
130. Imagen inversa. Sean 1 y 2 dos conjuntos y sea X : 1 2 una funci on. La imagen inversa de cualquier subconjunto A 2 bajo la funci on X es un subconjunto de 1 denotado por X 1 A y denido como sigue X 1 A t P 1 : X p q P Au.
X 1 A
Figura 2.3 V ease la Figura 2.3 y observe que X es una funci on puntual mientras 1 que X es una funci on conjuntista pues lleva subconjuntos de 2 en subconjuntos de 1 . Demuestre que la imagen inversa cumple las siguientes propiedades: para A, A1 , A2 subconjuntos de 2 ,
n de probabilidad 2.2. Funcio a ) X 1 Ac pX 1 Aqc .
99
b ) Si A1 A2 entonces X 1 A1 X 1 A2 . c ) X 1 pA1 Y A2 q pX 1 A1 q Y pX 1 A2 q.
d ) X 1 pA1 X A2 q pX 1 A1 q X pX 1 A2 q. 131. Variable aleatoria constante. Demuestre que la funci on X : R que es id enticamente constante c es una variable aleatoria. Sugerencia: Compruebe que para cualquier n umero x, pX xq P F . on indicadora. Sea p, F , P q un espacio de probabilidad y sea 132. Funci A un evento. Dena la variable aleatoria X como aquella que toma el valor 1 si A ocurre y toma el valor 0 si A no ocurre. Es decir, " 1 si P A, X p q 0 si R A. Demuestre que X es efectivamente una variable aleatoria. A esta variable se le llama funci on indicadora del evento A y se le denota tambi en por 1A p q. Sugerencia: Compruebe que para cualquier n umero x, pX xq P F .
2.2.
Funci on de probabilidad
Consideremos primero el caso discreto. Sea X una variable aleatoria discreta que toma los valores x0 , x1 , . . . con probabilidades p0 P pX x0 q
p2 P pX x2 q . . . . . .
p1 P pX x1 q
Esta lista de valores num ericos y sus probabilidades puede ser nita o innita, pero numerable. La funci on de probabilidad de X se dene como aquella funci on que toma estas probabilidades como valores.
100
Denici on 2.2 Sea X una variable aleatoria discreta con valores x0 , x1 , . . . La funci on de probabilidad de X , denotada por f pxq : R R, se dene como sigue # P pX xq si x x0 , x1 , . . . f pxq (2.2) 0 otro caso.
En palabras, la funci on de probabilidad es simplemente aquella funci on que indica la probabilidad en los distintos valores que toma la variable aleatoria. Puede escribirse tambi en mediante una tabla de la siguiente forma: x f pxq x0 p0 x1 p1 x2 p2
Recordemos que es importante poder distinguir entre X y x, pues conceptualmente son cosas distintas: la primera es una funci on y la segunda es un n umero real. Denotaremos generalmente a una funci on de probabilidad con la letra f min uscula. A veces escribiremos fX pxq y el sub ndice nos ayudar a a especicar que tal funci on es la funci on de probabilidad de la variable X . Esta notaci on ser a particularmente u til cuando consideremos varias variables aleatorias a la vez. A toda funci on de la forma (2.2) la llaon de probabilidad. Observe que se cumplen las siguientes maremos funci dos propiedades: a) f pxq 0, para toda x P R. f pxq 1. b)
x
Rec procamente, a toda funci on f pxq : R R que sea cero excepto en ciertos puntos x0 , x1 , . . . en donde la funci on toma valores positivos se le llamar a funci on de probabilidad cuando se cumplen las dos propiedades anteriores y sin que haya de por medio una variable aleatoria. Veamos un par de ejemplos.
n de probabilidad 2.2. Funcio
101
Ejemplo 2.6 Considere la variable aleatoria discreta X que toma los valores 1, 2 y 3, con probabilidades 0.3, 0.5 y 0.2 respectivamente. Observe que no se especica ni el experimento aleatorio ni el espacio muestral, u nicamente los valores de la variable aleatoria y las probabilidades asociadas. La funci on de probabilidad de X es $ 0.3 si x 1, & 0.5 si x 2, f pxq 0.2 si x 3, % 0 otro caso.
Esta funci on se muestra gr acamente en la Figura 2.4(a). Alternativamente podemos tambi en expresar esta funci on mediante la tabla de la Figura 2.4(b). En esta representaci on se entiende de manera impl cita que f pxq es cero para cualquier valor de x distinto de 1, 2 y 3. En particular, no debe ser dif cil para el lector comprobar que las siguientes probabilidades son correctas: P pX 2q 0.7, P p|X | 1q 0.3 y P pX 1q 0.
f pxq 0.5 0.3 0.2 x
x f pxq
1 0.3
(b)
2 0.5
3 0.2
2
(a)
3 Figura 2.4
Ejemplo 2.7 Encontraremos el valor de la constante c que hace que la siguiente funci on sea de probabilidad. " c x si x 0, 1, 2, 3, f pxq 0 otro caso. Los posibles valores de la variable aleatoria discreta (no especicada) son 0, 1, 2 y 3, con probabilidades 0, c, 2c y 3c, respectivamente. Como la suma
102
de estas probabilidades debe ser uno, obtenemos la ecuaci on c ` 2c ` 3c 1. De aqu obtenemos c 1{6. Este es el valor de c que hace que f pxq sea no negativa y sume uno, es decir, una funci on de probabilidad. Ahora consideremos el caso continuo. A partir de este momento empezaremos a utilizar el concepto de integral de una funci on.
Denici on 2.3 Sea X una variable aleatoria continua. Decimos que la on de densidad funci on integrable y no negativa f pxq : R R es la funci de X si para cualquier intervalo ra, bs de R se cumple la igualdad P pX P ra, bsq b
a
f pxq dx.
f pxq
P pX P ra, bsq a
x
b
a
f pxq dx
b Figura 2.5
Es decir, la probabilidad de que la variable tome un valor dentro del intervalo ra, bs se puede calcular o expresar como el area bajo la funci on f pxq en dicho intervalo. De esta forma el c alculo de una probabilidad se reduce al c alculo de una integral. V ease la Figura 2.5 en donde se muestra esta forma de calcular probabilidades. No es dif cil comprobar que toda funci on de densidad f pxq de una variable aleatoria continua cumple las siguientes propiedades an alogas al caso discreto: a) f pxq 0, para toda x P R. 8 f pxq dx 1. b)
8
103
Rec procamente, toda funci on f pxq : R R que satisfaga estas dos propiedades, sin necesidad de tener una variable aleatoria de por medio, se on de densidad. Veamos algunos ejemplos. llamar a funci Ejemplo 2.8 La funci on dada por " 1{2 f pxq 0
si x P p1, 3q, otro caso,
es la funci on de densidad de una variable aleatoria continua que toma valores en el intervalo p1, 3q y cuya gr aca aparece en la Figura 2.6. Observe que se trata de una funci on no negativa y cuya integral vale uno.
f pxq 1{2 x
Figura 2.6 Ejemplo 2.9 Encontraremos el valor de la constante c que hace que la siguiente funci on sea de densidad. " c |x| si x P r1, 1s, f pxq 0 otro caso. Se trata de una variable aleatoria continua que toma valores en el intervalo r1, 1s. Como esta funci on debe integrar uno tenemos que 1 1 x dx c. c |x| dx 2c 1
1 0
Por lo tanto, cuando tomamos c 1 esta funci on resulta ser una funci on de densidad pues ahora cumple con ser no negativa e integrar uno.
104
Ejercicios
133. Compruebe que las siguientes funciones son de probabilidad. " x1 si x 1, 2, . . . 2x a ) f pxq 0 en otro caso. # p1pqpx1 si x 1, 2, . . . , n, p0 p 1 constanteq 1pn b ) f pxq 0 en otro caso. # 1 ? si 0 x 1, 2 x c ) f pxq 0 en otro caso. $ 3 2 & 2 p1 ` xq si 1 x 0, 3 2 si 0 x 1, d ) f pxq 2 p1 xq % 0 en otro caso.
134. En cada caso encuentre el valor de la constante que hace a la funci on f pxq una funci on de probabilidad. Suponga que n es un entero positivo jo. " x si x 1, 2, . . . , n, a ) f pxq 0 en otro caso. " x2 si x 1, 2, . . . , n, b ) f pxq 0 en otro caso. " x 2 si x 1, 2, . . . , n, c ) f pxq 0 en otro caso. " {2x si x 1, 2, . . . d ) f pxq 0 en otro caso. $ & {3x si x 1, 3, 5, . . . {4x si x 2, 4, 6, . . . e ) f pxq % 0 en otro caso. " x2 si 1 x 1, f ) f pxq 0 en otro caso. " 2 x ` x si 0 x 1, g ) f pxq 0 en otro caso.
n de probabilidad 2.2. Funcio " x2 si x , 0 en otro caso. x ` 1{2 si x , 0 en otro caso. p1 ` qex 2e2x si x 0, 0 en otro caso.
105
h ) f pxq i ) f pxq j ) f pxq
"
"
135. Sea X una variable aleatoria discreta con funci on de probabilidad x f pxq 2 1{8 1 1{8 0 1{2 1 1{8 2 1{8
Graque la funci on f pxq y calcule las siguientes probabilidades: a ) P pX 1q. b ) P p|X | 1q. d ) P pX 2 1q. e ) P p|X 1| 2q.
c ) P p1 X 2q.
f ) P pX X 2 X 0q.
136. Sea X una variable aleatoria con funci on de densidad " c x2 si 0 x 1, f pxq 0 en otro caso. Encuentre el valor de la constante c y calcule: a ) P pX 1{2q. b ) P pX 1{4q. c ) P p1{4 X 3{4q.
d ) a tal que P pX aq 1{2.
137. Sea X una variable aleatoria continua con funci on de densidad # 3 2 si 1 x 1, 2x f pxq 0 en otro caso. Graque la funci on f pxq y calcule las siguientes probabilidades:
106 a ) P pX 1{3q.
2. Variables aleatorias d ) P p2X ` 1 2q. e ) P pX 2 1{9q. f ) P pX 2 X 2q.
b ) P p|X | 1{2q.
c ) P p1{4 X 2{3q.
138. Sean f pxq y g pxq dos funciones de probabilidad y sea c una constante. Demuestre o proporcione un contraejemplo para las siguientes armaciones: a ) f pxq ` g pxq es funci on de probabilidad. b ) f pxq g pxq es funci on de probabilidad. c ) f pxq ` p1 qg pxq es funci on de probabilidad para 0 1.
d ) f px ` cq es funci on de probabilidad. e ) f pcxq es funci on de probabilidad. f ) f pex q es funci on de probabilidad.
139. Sea X una variable aleatoria discreta con valores 0, 1, 2, . . . Encuentre los valores y la funci on de probabilidad de la variable: a ) 2X . b ) X ` n, c) eX . pn P Nq.
140. Un dado equilibrado se lanza dos veces consecutivas. Sea X la diferencia entre el primer y el segundo lanzamiento. Encuentre la funci on de probabilidad de X . 141. Sea X una variable aleatoria continua con funci on de densidad " x2 p1 xq si 0 x 1, f pxq 0 en otro caso. a ) Encuentre el valor de la constante que hace a f pxq una funci on de densidad. b ) Encuentre los valores de a y b tales que P pa X bq 1{2 y b a es m nimo.
107
142. En una caja se encuentran mezcladas 19 bater as en buen estado y 6 bater as defectuosas. Se extraen las bater as al azar una por una hasta encontrar 5 bater as en buen estado. Sea X la variable aleatoria que indica el n umero de extracciones efectuadas hasta obtener la quinta bater a en buen estado. Encuentre la funci on de probabilidad de X . 143. Los jugadores A y B llevan a cabo una sucesi on de apuestas justas en donde en cada apuesta se gana o se pierde una moneda. Suponga que inicialmente el jugador A tiene dos monedas y el jugador B s olo una moneda. El juego termina hasta que uno de los jugadores gana las tres monedas. a ) Calcule la probabilidad de ganar de cada uno de los jugadores. b ) Dena la variable aleatoria X como el n umero de apuestas efectuadas hasta el nal del juego. Calcule la funci on de probabilidad de X . 144. Se lanza un dado equilibrado hasta que aparece un n umero par. Encuentre la funci on de probabilidad para el n umero de lanzamientos necesarios hasta obtener el evento de inter es. 145. Un experimento consiste en lanzar un dado equilibrado hasta obtener alguno de los resultados por segunda vez. Encuentre la funci on de probabilidad del n umero de lanzamientos en este experimento. 146. Una moneda equilibrada marcada con cara y cruz se lanza repetidamente hasta que se obtienen tres caras no necesariamente de manera consecutiva. Encuentre la funci on de probabilidad de la variable aleatoria que registra el n umero de lanzamientos necesarios hasta obtener el evento mencionado. 147. Se colocan al azar 10 bolas en 4 cajas de tal forma que cada bola tiene la misma probabilidad de quedar en cualquiera de las 4 cajas. Encuentre la funci on de probabilidad del n umero de bolas que caen en la primera caja. 148. Funci on de probabilidad condicional Sea X una variable aleatoria con funci on de probabilidad f pxq y sea A P B pRq un conjunto de Borel
108
2. Variables aleatorias tal que p : P pX P Aq 0. La funci on de probabilidad condicional de X dado el evento pX P Aq se denota y dene como sigue: f px | Aq : 1 f pxq 1A pxq p # 1 p f pxq si x P A, 0
en otro caso,
Demuestre que f px | Aq es efectivamente una funci on de probabilidad y calcule esta funci on para cada uno de los siguientes incisos. En cada caso graque tanto f pxq como f px | Aq y compare ambas funciones. " 1{6 si x 1, . . . , 6, a ) A t2, 3, 4, 5u y f pxq 0 en otro caso. " 1{20 si 10 x 10, b ) A p0, 8q y f pxq 0 en otro caso. " x e si x 0, c ) A p1, 8q y f pxq 0 en otro caso. $ si 2 x 0, & x{4 ` 1{2 x{4 ` 1{2 si 0 x 2, d ) A p0, 1q y f pxq % 0 en otro caso.
2.3.
Funci on de distribuci on
Otra funci on importante que puede asociarse a una variable aleatoria es la siguiente.
Denici on 2.4 Sea X una variable aleatoria cualquiera. La funci on de distribuci on de X , denotada por F pxq : R R, se dene como la probabilidad F pxq P pX xq. (2.3)
n de distribucio n 2.3. Funcio
109
Esto es, la funci on de distribuci on evaluada en un n umero x cualquiera es la probabilidad de que la variable aleatoria tome un valor menor o igual a x, o en otras palabras, que tome un valor en el intervalo p8, xs. Para especicar que se trata de la funci on de distribuci on de la variable aleatoria X se usa la notaci on FX pxq, pero por simplicidad omitiremos el sub ndice cuando no haya necesidad de tal especicaci on. As , siendo F pxq una probabilidad, sus valores est an siempre entre cero y uno. En el caso discreto, suponiendo que f pxq es la funci on de probabilidad de X , la funci on de distribuci on (2.3) se calcula como sigue F pxq f puq, (2.4)
u x
y corresponde a sumar todos los valores positivos de la funci on de probabilidad evaluada en aquellos n umeros menores o iguales a x. En el caso continuo, si f pxq es la funci on de densidad de X , por (2.3) se tiene que x f puq du. (2.5) F pxq
8
La funci on de distribuci on resulta ser importante desde el punto de vista matem atico pues siempre puede denirse dicha funci on para cualquier variable aleatoria y a trav es de ella quedan representadas todas las propiedades de la variable aleatoria. Por razones evidentes se le conoce tambi en con el nombre de funci on de acumulaci on de probabilidad o funci on de probabilidad acumulada. Mostraremos a continuaci on algunos ejemplos del c alculo de la funci on de distribuci on. Ejemplo 2.10 (Caso discreto) Considere una variable aleatoria discreta X con funci on de probabilidad " 1{3 si x 1, 2, 3, f pxq 0 otro caso. La gr aca de esta funci on se muestra en la Figura 2.7(a). Considerando los distintos valores para x, puede encontrarse la funci on de distribuci on F pxq de la siguiente forma: $ 0 si x 1, & 1/3 si 1 x 2, F pxq P pX xq f puq 2/3 si 2 x 3, u x % 1 si x 3,
110
f pxq
F pxq
1
1{3 x
11
2{3 1{3 x
2
(a)
3 Figura 2.7
2
(b)
cuya gr aca aparece en la Figura 2.7 (b).
En el ejemplo anterior se ha mostrado el comportamiento t pico de una funci on de distribuci on discreta, es decir, es una funci on no decreciente, constante por pedazos, y si la funci on tiene una discontinuidad en x, entonces esta discontinuidad es un salto hacia arriba y el tama no del salto es la probabilidad de que la variable aleatoria tome ese valor. Ejemplo 2.11 (Caso continuo) Considere ahora la variable aleatoria continua X con funci on de densidad " |x| si x P r1, 1s, f pxq 0 otro caso. La gr aca de esta funci on se muestra en la Figura 2.8(a). Integrando esta funci on desde menos innito hasta x, para distintos valores de x, se encuentra la funci on de distribuci on $ 0 si x 1, x & 2 p1 x q{2 si 1 x 0, f puq du F pxq P pX xq p 1 ` x2 q{2 si 0 x 1, 8 % 1 si x 1,
cuya gr aca se muestra en la Figura 2.8(b).
111
f pxq
F pxq
1
(a)
1 Figura 2.8
1
(b)
En los ejemplos anteriores se ha mostrado la forma de obtener F pxq a partir de f pxq tanto en el caso discreto como en el continuo usando las f ormulas (2.4) y (2.5). Ahora explicaremos el proceso contrario, es decir, explicaremos c omo obtener f pxq a partir de F pxq. En el caso continuo tenemos que para toda x en R, x f puq du, F pxq P pX xq
8
De este modo podemos encontrar f pxq a partir de F pxq. En el caso discreto, la funci on de probabilidad se obtiene de la funci on de distribuci on del siguiente modo: f pxq P pX xq F pxq F pxq, (2.7)
de modo que por el teorema fundamental del c alculo, y cuando F pxq es diferenciable, f pxq F 1 pxq. (2.6)
en donde F pxq es el l mite por la izquierda de la funci on F en el punto x. As , f pxq es efectivamente el tama no del salto de la funci on de distribuci on en el punto x. An alogamente, la expresi on F px`q signica el l mite por la derecha de la funci on F en el punto x. En s mbolos, F pxq F px`q
h 0
l m F px hq, l m F px ` hq.
h 0
112
As , haciendo referencia a la ecuaci on (2.7), cuando la funci on de distribuci on es continua, los valores F pxq y F pxq coinciden y la funci on de probabilidad toma el valor cero. Cuando F pxq presenta una discontinuidad, la funci on de probabilidad toma como valor la magnitud de dicha discontinuidad. En los siguientes ejemplos se muestra la aplicaci on de las f ormulas (2.6) y (2.7). Ejemplo 2.12 Considere la funci on de $ & 0 p1 ` x3 q{2 F pxq % 1 distribuci on si x 1, si 1 x 1, si x 1.
Se deja al lector la gracaci on cuidadosa de esta funci on. Observamos que se trata de una funci on continua y diferenciable excepto en x 1, 1. Derivando entonces en cada una de las tres regiones de denici on se encuentra que " 3x2 {2 si 1 x 1, f pxq 0 otro caso. Ejemplo 2.13 Considere la funci on $ 0 & 1{3 F pxq 2{3 % 1 de distribuci on si si si si x 1, 1 x 0, 0 x 1, x 1.
Al gracar esta funci on uno puede darse cuenta que se trata de una funci on constante por pedazos. Los puntos donde esta funci on tiene incrementos y los tama nos de estos incrementos determinan la correspondiente funci on de probabilidad, la cual est a dada por " 1{3 si x 1, 0, 1, f pxq 0 otro caso.
113
Demostraremos a continuaci on algunas propiedades generales v alidas para toda funci on de distribuci on. Haremos uso de la propiedad de continuidad de las medidas de probabilidad estudiada en la secci on 1.16 del cap tulo anterior.
Proposici on 2.1 Toda funci on de distribuci on F pxq satisface las siguientes propiedades: a) l m F pxq 1.
x8
b)
x8
l m F pxq 0.
c) Si x1 x2 , entonces F px1 q F px2 q. d) F pxq F px`q. Demostraci on. a) Sea x1 x2 cualquier sucesi on mon otona no decreciente de n umeros reales divergente a innito. Para cada natural n dena el evento An pX xn q, cuya probabilidad es P pAn q F pxn q. Entonces A1 A2 y puede comprobarse que el l mite de esta sucesi on mon otona de eventos es . Por la propiedad de continuidad de la probabilidad para sucesiones mon otonas, 1 P pq l m P pAn q l m F pxn q.
n8 n8
b) Considere ahora cualquier sucesi on mon otona no creciente de n umeros reales x2 x1 divergente a menos innito. Dena nuevamente los eventos An pX xn q y observe que P pAn q F pxn q. Entonces A1 A2 y puede comprobarse que el l mite de esta sucesi on mon otona de eventos es H. Por la propiedad de continuidad de la probabilidad para sucesiones mon otonas, 0 P pHq l m P pAn q l m F pxn q.
n8 n8
114
c) Si x1 x2 entonces pX x1 q pX x2 q. Por lo tanto P pX x1 q P pX x2 q, es decir, F px1 q F px2 q. d) Sea 0 x2 x1 cualquier sucesi on mon otona no creciente de n umeros reales no negativos convergente a cero. Dena los eventos An px X x ` xn q y observe que P pAn q F px ` xn q F pxq. Entonces A1 A2 y puede comprobarse que el l mite de esta sucesi on mon otona de eventos es H. Por la propiedad de continuidad de la probabilidad para sucesiones mon otonas, 0 P pHq l m P pAn q l m F px ` xn q F pxq.
n8 n8
Rec procamente, toda funci on F pxq : R R que cumpla las cuatro propiedades anteriores (sin tener de por medio una variable aleatoria que la on de distribuci on. La propiedad (c) signica que dena) se le llama funci F pxq es una funci on mon otona no decreciente, mientras que la propiedad (d) establece que F pxq es una funci on continua por la derecha. Observe que si a b, entonces se cumplen las siguientes identidades: a) P pa X bq F pbq F paq. b) P pa X bq F pbq F paq. c) P pa X bq F pbq F paq. d) P pa X bq F pbq F paq. Ejemplo 2.14 Sea X una variable $ 0 & 1{3 F pxq 2{3 % 1 aleatoria con funci on de distribuci on si si si si x 1, 1 x 0, 0 x 1, x 1.
Como un ejemplo del c alculo de probabilidades usando la funci on de distribuci on, verique el lector los siguientes resultados:
n de distribucio n 2.3. Funcio a) P pX 1q 1. b) P pX 0q 1{3. c) P p0 X 1q 1{3. d) P pX 0q 1{3.
115
Para concluir esta secci on mencionaremos que el t ermino distribuci on o distribuci on de probabilidad de una v.a. se reere de manera equivalente a cualquiera de los siguientes conceptos: a la funci on de probabilidad o de densidad f pxq, a la funci on de distribuci on F pxq o a la medida de probabilidad inducida por X , es decir, PX pq.
Ejercicios
149. Graque y compruebe que las siguientes funciones son de distribuci on. $ 0 si x 0, & 1{2 si 0 x 1{2, a ) F pxq x si 1{2 x 1, % 1 si x 1. $ 0 si x 0, & 2 x si 0 x 1{2, b ) F pxq 1 3 p 1 x q{ 2 si 1{2 x 1, % 1 si x 1.
150. Suponga que la variable aleatoria discreta X tiene la siguiente funci on de distribuci on $ 0 si x 1, & 1{4 si 1 x 1, 1{2 si 1 x 3, F pxq 3{4 si 3 x 5, % 1 si x 5.
Graque F pxq, obtenga y graque la correspondiente funci on de probabilidad f pxq, calcule adem as las siguientes probabilidades:
116 a ) P pX 3q. b ) P pX 3q. c ) P pX 3q.
2. Variables aleatorias d ) P pX 1q. f ) P pX 5q.
e ) P p1{2 X 4q.
151. Muestre que las siguientes funciones son de probabilidad y encuentre la correspondiente funci on de distribuci on. Graque ambas funciones. a ) f pxq b ) f pxq c ) f pxq d ) f pxq " " " " p1{2qx si x 1, 2, . . . 0 en otro caso. 2x si 0 x 1, 0 en otro caso. 2p1 xq si 0 x 1, 0 en otro caso. 10e10x si x 0, 0 en otro caso.
152. Graque cada una de las siguientes funciones y compruebe que son funciones de distribuci on. Determine en cada caso si se trata de la funci on de distribuci on de una variable aleatoria discreta o continua. Encuentre adem as la correspondiente funci on de probabilidad o de densidad. a ) F pxq " 1 ex si x 0, 0 otro caso.
$ 0 si x 0, & 1{5 si 0 x 1, b ) F pxq 3{5 si 1 x 2, % 1 si x 2. $ 0 si x 0, & 2 x si 0 x 1{2, c ) F pxq 1 3p1 xq{2 si 1{2 x 1, % 1 si x 1.
n de distribucio n 2.3. Funcio $ 0 & px ` 2q{2 1{2 d ) F pxq x {2 % 1 si si si si si x 2, 2 x 1, 1 x 1, 1 x 2, x 2.
117
153. Sea X una variable aleatoria continua con funci on de densidad # 3 2 si 1 x 1, 2x f pxq 0 en otro caso. a ) Graque f pxq y compruebe que es efectivamente una funci on de densidad. b ) Calcule y graque la funci on de distribuci on. c ) Calcule P p|X | 1{2q y P p1{4 X 2{3q. 154. Sea X una variable aleatoria con funci on $ 0 & x{4 1{2 ` px 1q{4 F pxq 4 {5 % 1 b ) Calcule P p1{2 X 5{2q. de distribuci on si si si si si x 0, 0 x 1, 1 x 2, 2 x 3, x 3.
a ) Encuentre P pX xq para x 1, 2, 3.
155. Sean F pxq y Gpxq dos funciones de distribuci on. Demuestre que para cualquier constante P p0, 1q, la funci on F pxq ` p1 qGpxq es una funci on de distribuci on. Si F pxq y Gpxq son ambas discretas entonces la funci on resultante es tambi en discreta. Si F pxq y Gpxq son ambas continuas entonces la funci on resultante es continua. Si alguna de F pxq y Gpxq es discreta y la otra es continua, la funci on resultante no es ni discreta ni continua, se dice que es una funci on de distribuci on mixta.
118
156. Sea X una variable aleatoria continua con funci on de distribuci on " 1 ex si x 0, F pxq 0 otro caso. Sea m 0 una constante. Encuentre y graque la funci on de distribuci on de la variable aleatoria: a ) Y m axtX, mu. b ) Y m ntX, mu. 157. Sea X una variable aleatoria continua con funci on de densidad fX pxq y sea c 0 una constante. Demuestre que la funci on de densidad de cX est a dada por 1 fcX pxq fX px{cq. c 158. Sea X una variable aleatoria continua con funci on de densidad fX pxq. Demuestre que la funci on de densidad de X 2 est a dada por # 1 ? ? ? pfX p xq ` fX p xqq si x 0, 2 x fX 2 pxq 0 si x 0. 159. Demuestre o proporcione un contraejemplo. a ) Si X Y entonces FY pxq FX pxq para toda x P R. b ) Si FX pxq FY pxq para toda x P R entonces X Y .
2.4.
Teorema de cambio de variable
Sea X una variable aleatoria con distribuci on conocida. Suponga que se modica X a trav es de una funci on de tal forma que la composici on pX q es una nueva variable aleatoria, por ejemplo, pX q aX ` b,
2
a, b constantes,
pX q eX .
pX q X ,
2.4. Teorema de cambio de variable
119
El problema natural que surge es el de encontrar la distribuci on de esta nueva variable aleatoria. En esta secci on estudiaremos un resultado que permite dar una respuesta a este problema bajo ciertas condiciones.
Proposici on 2.2 Sea X una variable aleatoria continua con funci on de densidad fX pxq. Sea : R R una funci on continua estrictamente creciente o decreciente y con inversa 1 diferenciable. Entonces la funci on de densidad de Y pX q est a dada por " d 1 py q| si y P RangoppX qq, fX p1 py qq | dy (2.8) fY py q 0 en otro caso. Demostraci on. Supondremos el caso cuando es estrictamente creciente. El otro caso es an alogo. Calcularemos primero la funci on de distribuci on de Y en t erminos de la funci on de distribuci on de X . Para cualquier valor y dentro del rango de la funci on Y pX q, FY py q P pY y q P ppX q y q
FX p1 py qq.
P pX 1 py qq
Derivando respecto de y , por la regla de la cadena tenemos que fY py q fX p1 py qq d 1 py q. dy
Como es estrictamente creciente, su inversa 1 tambi en lo es y su derivada es positiva. Por simplicidad en el enunciado del resultado anterior hemos pedido que la funci on sea estrictamente mon otona y denida de R en R, sin embargo u nicamente se necesita que est e denida en el rango de la funci on X y que presente el comportamiento mon otono en dicho subconjunto. Ilustraremos esta situaci on en los siguientes ejemplos.
120
As , la variable X toma valores u nicamente en el intervalo p0, 1q. Consideremos la funci on pxq x2 , la cual es estrictamente creciente en p0, 1q, cuya ? inversa en dicho intervalo es 1 py q y y con derivada d 1 1 py q ? . dy 2 y
Ejemplo 2.15 Sea X una variable aleatoria continua con funci on de densidad " 1 si x P p0, 1q, fX pxq 0 en otro caso.
No es dif cil vericar que esta es efectivamente una funci on de densidad.
Por lo tanto la variable Y pX q toma valores en p0, 1q y por la f ormula (2.8) tiene como funci on de densidad $ 1 & ? si y P p0, 1q, 2 y fY py q % 0 en otro caso.
Ejemplo 2.16 Sea X una variable aleatoria continua con funci on de densidad " x e si x 0, fX pxq 0 si x 0.
La variable X toma valores en el intervalo p0, 8q. Sea la funci on pxq 1{x, la cual es estrictamente decreciente en p0, 8q. Su inversa en dicho intervalo es 1 py q 1{y y con derivada 1 d 1 py q 2 . dy y
Por lo tanto la variable Y pX q toma valores en p0, 8q y por la f ormula (2.8) tiene como funci on de densidad $ & e1{y 1 si y 0, fY py q y2 % 0 si y 0.
Haciendo el cambio de variable u 1{y en la integral puede vericarse con facilidad esta es efectivamente una funci on de densidad.
2.5. Independencia de variables aleatorias
121
Ejercicios
160. Encuentre una f ormula para la funci on de densidad Y en t erminos de la funci on de densidad de X cuando esta u ltima es continua con funci on de densidad fX pxq y a ) Y aX ` b con a 0, b constantes. b ) Y X . c) Y X 2.
d ) Y X 3. e ) Y eX .
161. Sea X una variable aleatoria continua con funci on de densidad " 2 x ` x ` 1{6 si x P p0, 1q, a ) fX pxq 0 en otro caso. " 2p1 |2x 1|q si x P p0, 1q, b ) fX pxq 0 en otro caso. En cada caso encuentre la funci on de densidad de Y pX q cuando a ) pxq ax ` b ? b ) pxq x. d ) pxq 1{x. con a 0, b constantes.
c ) pxq 8px 1{2q3 .
e ) pxq lnpxq.
2.5.
Independencia de variables aleatorias
El concepto de independencia de eventos puede extenderse al caso de variables aleatorias de una forma natural como la que se presenta en la denici on que aparece abajo. En esta secci on estudiaremos brevemente este concepto, el cual se revisar a con m as detalle en la secci on 4.6.
122
Denici on 2.5 Se dice que las variables aleatorias X y Y son independientes si los eventos pX xq y pY y q son independientes para cualesquiera valores reales de x y y , es decir, si para cualquier x, y P R se cumple la igualdad P rpX xq X pY y qs P pX xq P pY y q. (2.9)
El lado izquierdo de la identidad anterior tambi en puede escribirse como P pX x, Y y q o bien FX,Y px, y q, y se le llama la funci on de distribu, observe que la ci on conjunta de X y Y evaluada en el punto px, y q. As identidad (2.9) adquiere la expresi on
FX,Y px, y q FX pxq FY py q,
x, y P R.
(2.10)
De esta forma, para poder determinar si dos variables aleatorias son independientes es necesario conocer tanto las probabilidades conjuntas P pX x, Y y q como las probabilidades individuales P pX xq y P pY y q, y vercar la identidad (2.10) para cada par de n umeros reales x y y . Por lo tanto basta que exista una pareja px, y q para la que no se cumpla la igualdad (2.10) para poder concluir que X y Y no son independientes. En el cap tulo de vectores aleatorios explicaremos la forma de obtener las distribuciones individuales a partir de la distribuci on conjunta. Nuestra objetivo por ahora es mencionar que no es dif cil demostrar, y en el ejercicio 162 se pide hacerlo, que cuando X y Y son discretas, la condici on (2.10) es equivalente a la siguiente expresi on simple:
Independencia de variables aleatorias: caso discreto
P pX x, Y y q P pX xq P pY y q,
x, y P R,
2.5. Independencia de variables aleatorias en donde, por el teorema de probabilidad total, P pX x, Y y q, P pX xq

y
123
P pY y q
P pX x, Y y q.
En el caso cuando X y Y son continuas y la funci on FX,Y px, y q puede expresarse de la siguiente forma x y fX,Y pu, v q dv du, FX,Y px, y q
8 8
entonces a fX,Y px, y q se le llama la funci on de densidad conjunta de X y Y , y puede demostrarse que la condici on de independencia (2.10) es equivalente a la siguiente expresi on:
Independencia de variables aleatorias: caso continuo
fX,Y px, y q fX pxq fY py q, en donde, fX pxq fY py q 8
x, y P R,
8 8 8
fX,Y px, y q dy, fX,Y px, y q dx.
La denici on de independencia de dos v.a.s puede extenderse de manera an aloga al caso de tres o mas variables aleatorias. Una discusi on m as completa de este tema puede encontrarse en el cap tulo sobre vectores aleatorios. Ejemplo 2.17 (Producto Cartesiano de espacios muestrales) El siguiente procedimiento es una versi on simple de un mecanismo general para construir variables aleatorias independientes: consideremos que tenemos un primer experimento aleatorio con espacio muestral 1 ta0 , a1 u y con probabilidades p y 1 p para cada uno de estos resultados respectivamente, y que por otro lado tambi en tenemos un segundo experimento con espacio muestral 2 tb0 , b1 u con probabilidades q y 1 q para estos dos resultados.
124
La intenci on es crear el experimento aleatorio consistente en llevar a cabo el primer experimento seguido del segundo y para este experimento compuesto denir dos variables aleatorias independientes. As , para el experimento compuesto el espacio muestral ser a el espacio producto: 1 2 t pa0 , b0 q, pa0 , b1 q, pa1 , b0 q, pa1 , b1 q u, y denamos la probabilidad de cada uno de estos cuatro resultados como el producto de las probabilidades individuales, es decir, se asocian las probabilidades: pq, pp1 q q, p1 pqq, p1 pqp1 q q, respectivamente conforme al orden en el que aparecen en el conjunto muestral. Esta asignaci on de probabilidades es el elemento clave para vericar la propiedad de independencia. Dena ahora las variables aleatorias X y Y de la siguiente forma: X pa0 , q 0, Y p, b0 q 0,
X pa1 , q 1,
Y p, b1 q 1.
Por lo tanto, sin importar el resultado del segundo experimento la variable X asigna los valores cero y uno a los dos resultados del primer experimento. Sim etricamente, sin importar el resultado del primer experimento la variable Y asigna los valores cero y uno a los dos resultados del segundo experimento. Puede vericarse que X y Y son independientes pues por construcci on para cualesquiera valores de x y y se cumple la identidad P pX x, Y y q P pX xq P pY y q.
Ejercicios
162. Independencia: caso discreto. Sean X y Y dos variables aleatorias discretas. Sin p erdida de generalidad suponga que ambas toman valores en subconjuntos de Z. Compruebe las siguientes identidades: P pX u, Y v q. a ) P pX x, Y y q
u x v y
2.6. Esperanza b ) P pX x, Y y q P pX x, Y y q P pX x 1, Y y q P pX x, Y y 1q ` P pX x 1, Y y 1q.
125
Con estos resultados demuestre que la condici on de independencia P pX x, Y y q P pX xq P pY y q, es equivalente a la condici on P pX x, Y y q P pX xq P pY y q, x, y P R. x, y P R.
163. Sean X1 , . . . , Xn variables aleatorias discretas e independientes con id entica funci on de probabilidad dada por " 1{N si x 1, . . . , N, f pxq 0 en otro caso. Encuentre la funci on de probabilidad de la variable aleatoria: a ) U m axtX1 , . . . , Xn u. b ) V m ntX1 , . . . , Xn u.
2.6.
Esperanza
En las siguientes secciones estudiaremos ciertas cantidades num ericas que pueden ser calculadas para cada variable aleatoria . Estos n umeros revelan algunas caracter sticas de la variable aleatoria o de su distribuci on. La primera de estas caracter sticas num ericas es la esperanza. Se denota por E pX q y se calcula de la forma siguiente: si X es discreta con funci on de probabilidad f pxq, entonces EpX q
x
xf pxq,
(2.11)
suponiendo que esta suma es absolutamente convergente, es decir, cuando la suma de los valores absolutos es convergente. El n umero de sumandos
126
puede ser nito o innito, dependiendo del conjunto de valores de la variable aleatoria. Por otro lado, si X es continua con funci on de densidad f pxq, entonces la esperanza es 8 x f pxq dx, (2.12) EpX q
8
suponiendo que esta integral es absolutamente convergente, esta hip otesis signica que la integral de los valores absolutos es convergente. Si la suma o integral anteriores no cumplen esta condici on de convergencia absoluta, entonces se dice que la esperanza no existe o bien que no tiene esperanza nita, en los Ejercicios 170, 171 y 172 pueden encontrarse ejemplos en donde se presenta esta situaci on. La esperanza de una variable aleatoria es entonces un n umero que indica el promedio ponderado de los diferentes valores que la variable puede tomar. A la esperanza se le conoce tambi en con los nombre de media, valor esperado o valor promedio. En general se usa tambi en la letra griega (mu) para denotarla, es uno de los conceptos m as importantes en probabilidad y tiene un amplio uso en las aplicaciones y otras ramas de la ciencia. A partir de este momento resultar a muy u til conocer algunas f ormulas para llevar a cabo sumas y poseer un manejo adecuado de las t ecnicas de integraci on. Mediante algunos ejemplos ilustraremos a continuaci on la forma de calcular esperanzas. Ejemplo 2.18 (Caso discreto) Sea X una variable aleatoria discreta con funci on de probabilidad dada por la siguiente tabla: x f pxq -1 1/8 0 4/8 1 1/8 2 2/8
La esperanza de X es el n umero xf pxq E pX q

x
p1qp1{8q ` p0qp4{8q ` p1qp1{8q ` p2qp2{8q 1{2.
Observe que la suma se efect ua sobre todos los valores de x indicados en la tabla, es decir: 1, 0, 1 y 2. Tambi en es instructivo observar que la esperanza
2.6. Esperanza
127
no es necesariamente uno de los valores tomados por la variable aleatoria. En este ejemplo el valor 1{2 nunca es tomado por la variable aleatoria pero es su valor promedio. Ejemplo 2.19 (Caso continuo) Considere la variable aleatoria continua X con funci on de densidad " 2x si x P p0, 1q, f pxq 0 en otro caso. La esperanza de X es E pX q 8 xf pxq dx 1
0
2 2x2 dx . 3
Observe que la integral s olo es relevante en el intervalo p0, 1q, pues fuera de este intervalo la funci on de densidad se anula. De este modo la esperanza de una variable aleatoria es un promedio ponderado de los valores que toma la variable aleatoria: cada valor x se pondera con la funci on de probabilidad f pxq y se suman todas estas cantidades. Esperanza de una funci on de una variable aleatoria En algunos casos es necesario calcular la esperanza de una funci on de una variable aleatoria, por ejemplo, si X es una variable aleatoria discreta, entonces es claro que Y X 2 es una funci on de X y consideraremos que Y es tambi en una variable aleatoria. Si quisi eramos encontrar la esperanza de Y seg un la expresi on (2.11) de la denici on de esperanza tendr amos que calcular y fY py q. E pY q
y
Para lo cual se necesita encontrar primero la funci on de densidad de Y y ello en general no es f acil. El siguiente resultado es muy u til y nos dice la forma de calcular esta esperanza conociendo u nicamente la funci on de densidad de X . A este resultado a veces se le reere como el teorema del estad stico inconsciente.
128
Proposici on 2.3 Sea X una variable aleatoria discreta y sea g : R R una funci on tal que g pX q es una variable con esperanza nita. Entonces g pxq fX pxq. (2.13) E rg pX qs
x
Demostraci on. Sea Y g pX q y sea y uno de sus posibles valores. As , existe por lo menos un valor x tal que y g pxq. Agrupemos todos estos valores x en el conjunto g 1 y tx : g pxq y u. De este modo tenemos que P pY y q P pX P g 1 y q fX pxq.
xPg 1 y
Es claro que la uni on de los conjuntos disjuntos g 1 y , considerando todos los valores y , es el conjunto de valores x que la v.a. X puede tomar. Por lo tanto la esperanza de Y es yP pY y q E pY q
y
xPg 1 y
fX pxq
y xPg 1 y
g pxqfX pxq
g pxqfX pxq.
Observe que en la f ormula (2.13) no aparece la funci on de probabilidad de Y sino la de X . All radica la utilidad de esta f ormula pues para calcular E pY q no es necesario conocer fY py q. Veamos un ejemplo de aplicaci on. Ejemplo 2.20 Sea X una variable aleatoria discreta con funci on de probabilidad dada por la siguiente tabla:
x fX pxq -2 2/8 -1 1/8 0 2/8 1 1/8 2 2/8
2.6. Esperanza Nos interesa calcular la esperanza de la variable aleatoria Y X 2 .
129
Soluci on 1. Un primer m etodo consiste en calcular primero la funci on de probabilidad de la variable Y . No es complicado vericar que esta funci on de probabilidad es
y fY py q 0 2/8 1 2/8 4 4/8
Entonces usando la denici on elemental de esperanza para variables aleatorias discretas tenemos que 2 2 4 9 E pY q p0qp q ` p1qp q ` p4qp q . 8 8 8 4 Soluci on 2. Ahora calcularemos la misma esperanza pero usando la f ormula (2.13). El resultado es el mismo pero la ventaja es que no es necesario calcular la funci on de probabilidad de Y : 1 2 1 2 9 2 E pY q p2q2 p q ` p1q2 p q ` p0q2 p q ` p1q2 p q ` p2q2 p q . 8 8 8 8 8 4 El siguiente resultado es la versi on continua de la Proposici on 2.3 y su demostraci on requiere conceptos m as avanzados de probabilidad, as es que omitiremos la demostraci on y nos concentraremos en su uso y aplicaci on.
Proposici on 2.4 Sea X una variable aleatoria continua y sea g : R R una funci on tal que g pX q es una variable con esperanza nita. Entonces 8 E rg pX qs
8
g pxq fX pxq dx.
(2.14)
Ejemplo 2.21 Calcularemos E pX 2 q en donde X es la variable aleatoria continua con funci on de densidad " 1 para x P p0, 1q, f pxq 0 en otro caso.
130
Soluci on 1. Si se desea aplicar la identidad (2.12) de la denici on elemental de esperanza, se tiene que encontrar primero la distribuci on de la v.a. X 2 . Puede vericarse que $ 0 si x 0, & ? x si 0 x 1, FX 2 pxq % 1 si x 0. De donde, derivando, fX 2 pxq "
1 1{2 2x
si 0 x 1, otro caso.
Finalmente aplicando la denici on elemental de esperanza (2.12), 1 1 1 1{2 1 2 xfX 2 pxq dx E pX q x dx . 3 0 2 0 Soluci on 2. Ahora resolveremos el mismo problema de una manera m as r apida aplicando el resultado de la proposici on anterior. Por la f ormula 2.14 tenemos que 1 8 1 x2 dx . x2 fX pxq dx E pX 2 q 3 0 8 Estudiaremos a continuaci on algunas propiedades generales de la esperanza.
Proposici on 2.5 (Propiedades de la esperanza) Sean X y Y dos variables aleatorias con esperanza nita y sea c una constante. Entonces 1. E pcq c. 2. E pc X q c E pX q. 3. Si X 0, entonces E pX q 0. 4. E pX ` Y q E pX q ` E pY q.
2.6. Esperanza
131
Demostraci on. La primera propiedad es evidente pues si X es la variable aleatoria constante c, entonces por denici on, E pX q c P pX cq c 1 c. El segundo inciso se sigue directamente de la denici on de esperanza pues tanto en el caso discreto como en el caso continuo, la constante c puede siempre colocarse fuera de la suma o integral. El tercer inciso tambi en es inmediato pues en la integral o suma correspondiente solo aparecer an t erminos que son no negativos. Para la u ltima propiedad, consideraremos el caso en el que ambas variables son discretas y por simplicidad usaremos la expresi on ppx, y q para denotar P pX x, Y y q. E pX ` Y q
x,y x,y
px ` y q ppx, y q x ppx, y q ` x
y
E pX q ` E pY q.
ppx, y q `
y
x,y
y ppx, y q
y
x ppxq `
y ppy q
ppx, y q
Observe que la segunda y cuarta propiedad establecen que la esperanza es lineal, es decir, separa sumas y separa multiplicaciones por constantes. Veamos ahora una aplicaci on del concepto de independencia en el c alculo de la esperanza.
Proposici on 2.6 Sean X y Y independientes y ambas con esperanza nita. Entonces E pXY q E pX q E pY q. Demostraci on. Por simplicidad consideraremos u nicamente el caso en el que ambas variables aleatorias son discretas. En el caso continuo el proce-
132 dimiento es an alogo. E pXY q

x,y x
x y P pX x, Y y q
y
E pX q E pY q.
x y P pX xqP pY y q
y
y P pY y q x P pX xq
El rec proco de la proposici on anterior no es v alido en general, es decir, la condici on E pXY q E pX qE pY q no es suciente para concluir que X y Y son independientes. V ease el Ejercicio 180 para un ejemplo de esta situaci on.
Ejercicios
164. Calcule la esperanza de la variable aleatoria discreta X con funci on de probabilidad: $ & 1 si x 1, 2, . . . , n, n a ) f pxq % 0 en otro caso. $ & 1 si x 1, 2, . . . 2x b ) f pxq % 0 en otro caso. $ 2x & si x 1, 2, . . . , n, npn ` 1q c ) f pxq % 0 en otro caso. aq pn ` 1q{2. Respuestas: bq 1. cq p2n ` 1q{3.
165. Calcule la esperanza de la variable aleatoria continua X con funci on de densidad:
2.6. Esperanza # |x| si 1 x 1, en otro caso.
133
a ) f pxq
Respuesta: aq E pX q 0. a. Sean X y Y dos variables aleatorias con esperanza nita. 166. Monoton Demuestre que si X Y entonces E pX q E pY q. 167. F ormula alternativa, caso discreto. Sea X una variable aleatoria discreta con funci on de distribuci on F pxq, con esperanza nita y posibles valores dentro del conjunto t0, 1, 2, . . .u. Demuestre que E pX q
8
x0
p1 F pxqq.
(2.15)
Use la f ormula anterior para encontrar E pX q cuando: $ 0 si x 0, 1 { 5 si 0 x 1, & 3{5 si 1 x 2, a ) F pxq 4 {5 si 2 x 3, % 1 si x 1. " 0 si x 1, b ) F pxq 1 p1{2qk si k x k ` 1, k P N. ormula alternativa, caso continuo. Sea X una variable aleatoria con168. F tinua con funci on de distribuci on F pxq, con esperanza nita y con valores en el intervalo r0, 8q. Demuestre que 8 P pX xq dx. (2.16) E pX q
0
Use la f ormula anterior $ si & 0 x{2 si a ) F pxq % 1 si " 1e x b ) F pxq 0
para encontrar E pX q cuando: x 0, 0 x 2, x 2.
si x 0, en otro caso.
134
169. Demuestre o proporcione un contraejemplo: a ) E pE pX qq E 2 pX q. c ) E p1{X q 1{E pX q. b ) E pX 2 Y 2 q E pX ` Y q E pX Y q.
d ) E pX E pX qq E pE pX q X q 0. e ) Si E pX q 0 entonces X 0. f ) Si E pX 2 q 0 entonces X 0.
h ) E pX q E pX 2 q.
g ) Si E pX q E pY q entonces X Y .
171. Sin esperanza, caso continuo. Sea X una variable aleatoria continua con funci on de densidad f pxq como aparece abajo. Demuestre que f pxq es efectivamente una funci on de densidad y compruebe que X no tiene esperanza nita. 1 f pxq , x P R. p1 ` x2 q
170. Sin esperanza, caso discreto. Sea X una variable aleatoria discreta con funci on de probabilidad f pxq como aparece abajo. Demuestre que f pxq es efectivamente una funci on de probabilidad y compruebe que X no tiene esperanza nita. $ 1 & si x 1, 2, . . . , f pxq xpx ` 1q % 0 en otro caso.
172. La paradoja de San Petersburgo. Un jugador lanza repetidas veces una moneda equilibrada hasta obtener una de las caras previamente escogida. El jugador obtiene un premio de 2n unidades monetarias si logra su objetivo en el n- esimo lanzamiento. Calcule el valor promedio del premio en este juego. Respuesta: Innito. 173. El problema del ladr on de Bagdad. El ladr on de Bagdad ha sido colocado en una prisi on en donde hay tres puertas. Una de las puertas conduce a un t unel que requiere de un d a de traves a y que lo regresa
2.6. Esperanza
135
a la misma prisi on. Otra de las puertas lo conduce a otro t unel a un m as largo que lo regresa nuevamente a la prisi on pero despu es de tres d as de recorrido. Finalmente la tercera puerta lo conduce a la libertad inmediatamente. Suponga que el ladr on escoge al azar cada una estas puertas una por una hasta quedar libre. Encuentre el n umero promedio de d as que le toma al ladr on quedar en libertad. Respuesta: 2. 174. Un jugador lanza dos veces consecutivas un dado equilibrado y obtiene como premio tantas unidades monetarias como indica el resultado mayor de los dos lanzamientos. Encuentre el valor promedio del premio. 175. Sea X una variable aleatoria positiva y con esperanza nita. Demuestre que 1 1 E . E pX q X 176. Sea X una variable aleatoria con funci on de densidad f pxq como aparece abajo. Encuentre el valor de la constante a 0 tal que E pX q 0. " pxàq e si x a, f pxq 0 en otro caso. 177. Funci on signo. La funci on signo se dene $ & `1 si 0 si signopxq % 1 si a)
x f pxq -2 1/8 -1 2/8 0 1/8 1 2/8 2 2/8
de la forma siguiente: x 0, x 0, x 0.
Calcule la esperanza de la variable aleatoria Y signopX q cuando X tiene funci on de probabilidad:
b ) f pxq c ) f pxq
# #
px ` 1q{2 si x P p1, 1q, 0 en otro caso. epxàq si x a, 0 pa 0 constanteq
en otro caso.
136
1 |x| e . d ) f pxq 2
178. Sea X una variable aleatoria con funci on de probabilidad f pxq como aparece abajo. Calcule la esperanza de la variable Y eX encontrando primero la funci on de densidad de Y y aplicando la denici on elemental de esperanza. Como segundo m etodo use el teorema del estad stico inconsciente. Ambos c alculos deben coincidir. # p1 pqpx1 si x 1, 2, . . . p0 p e1 constanteq a ) f pxq 0 en otro caso. # ex si x 0, p 1 constanteq b ) f pxq 0 en otro caso. Respuestas:
p1pq aq E pY q e1 ep . bq E pY q 1.
179. En una poblaci on peque na ocurren cada d a 0, 1, 2, o 3 accidentes automovil sticos con probabilidades 1{3, 1{3, 1{6 y 1{6 respectivamente. En un accidente cualquiera se requiere el uso de una ambulancia con probabilidad 0.5 . Calcule el n umero de veces promedio que se requiere el uso de una ambulancia por accidentes automovil sticos en un d a cualquiera en esta poblaci on. 180. Sea X una variable aleatoria discreta con funci on de probabilidad dada por la siguiente tabla
x f pxq -1 1/3 0 1/3 1 1/3
y dena por otro lado a la variable Y X 2 . Se cumple entonces la condici on E pXY q E pX qE pY q y sin embargo X y Y no son independientes. Demuestre ambas armaciones.
2.7.
Varianza
Otra caracter stica num erica asociada a las variables aleatorias se llama varianza. Se denota por VarpX q y para una variable aleatoria discreta se
2.7. Varianza dene como sigue VarpX q
137
en donde es la esperanza de X . As , observe que se necesita conocer la esperanza de X para calcular su varianza. En el caso continuo, para una variable aleatoria X con funci on de densidad f pxq se dene 8 VarpX q px q2 f pxq dx.
8
px q2 f pxq,
Esto corresponde a la esperanza de la funci on cuadr atica x px q2 aplicada a una variable aleatoria X con esperanza . La varianza es una on de los diferentes valores tomados por la vamedida del grado de dispersi riable. Se le denota regularmente por la letra 2 (sigma cuadrada). A la ra z cuadrada positiva de la varianza, esto es , se le llama desviaci on est andar. Como en el caso de la esperanza, la anterior suma o integral puede no ser convergente y en ese caso se dice que la variable aleatoria no tiene varianza nita. Veamos algunos ejemplos. Ejemplo 2.22 (Caso discreto) Calcularemos la varianza de la variable aleatoria discreta X con funci on de probabilidad dada por la siguiente tabla.
x f pxq -1 1/8 0 4/8 1 1/8 2 2/8
Es interesante observar que la varianza puede escribirse en una sola expresi on como sigue VarpX q E pX q2 .
Recordemos primeramente que por c alculos previos, 1{2. Aplicando la denici on de varianza tenemos que px q2 f pxq VarpX q
x
p1 1{2q2 p1{8q ` p0 1{2q2 p4{8q 1.
`p1 1{2q2 p1{8q ` p2 1{2q2 p2{8q
138
Ejemplo 2.23 (Caso continuo) Calcularemos la varianza de la variable aleatoria continua X con funci on de densidad # 2x si x P p0, 1q, f pxq 0 en otro caso. En un c alculo previo hab amos encontrado que 2{3. Por lo tanto, 1 8 1 px q2 f pxq dx px 2{3q2 2x dx . VarpX q 18 0 8
A continuaci on demostraremos algunas propiedades generales de la varianza.
Proposici on 2.7 (Propiedades de la varianza) Sean X y Y dos variables aleatorias con varianza nita y sea c una constante. Entonces 1. VarpX q 0. 2. Varpcq 0. 3. Varpc X q c2 VarpX q. 4. VarpX ` cq VarpX q. 5. VarpX q E pX 2 q E 2 pX q. 6. En general, VarpX ` Y q VarpX q ` VarpY q. Demostraci on. El inciso p1q es evidente a partir de la denici on de varianza pues en ella aparece una suma o integral de t erminos no negativos. Para el inciso p2q la constante c es una v.a. con un u nico valor, de modo que E pcq c y entonces VarpX q E pc cq2 0. Para el inciso p3q tenemos que VarpcX q E pcX E pcX qq2 E pcX cE pX qq2
c2 VarpX q.
c2 E pX E pX qq2
2.7. Varianza El inciso p4q se sigue del siguiente an alisis: VarpX ` cq E rpX ` cq E pX ` cqs2 E pX E pX qq2 VarpX q.
139
Para demostrar la propiedad p5q se desarrolla el cuadrado en la denici on de varianza y se usa la propiedad de linealidad de la esperanza: VarpX q E pX E pX qq2
E pX 2 2XE pX q ` E 2 pX qq E pX 2 q E 2 pX q.
E pX 2 q 2E pX qE pX q ` E 2 pX q
Finalmente para demostrar la propiedad p6q es suciente dar un ejemplo. Puede tomarse el caso Y X , en general y por lo demostrado antes, no se cumple que Varp2X q 2 VarpX q. De estas propiedades generales se obtiene en particular que la varianza es siempre una cantidad no negativa y que no cumple la propiedad de linealidad, pues en general no separa sumas y cuando aparecen constantes como factores, las constantes se separan de la varianza elev andolas al cuadrado. Otras propiedades se encuentran en el Ejercicio 185. Veamos ahora una f ormula para el c alculo de la varianza de la suma de dos variables aleatorias bajo la hip otesis de independencia.
Proposici on 2.8 Sean X y Y independientes y ambas con varianza nita. Entonces VarpX ` Y q VarpX q ` VarpY q. Demostraci on. Usaremos la propiedad de linealidad de la esperanza y el hecho de que E pXY q E pX qE pY q pues X y Y son independientes por
140 hip otesis.
VarpX ` Y q E pX ` Y q2 E 2 pX ` Y q
E pX 2 ` 2XY ` Y 2 q pE pX q ` E pY qq2 E pX 2 q ` 2E pXY q ` E pY 2 q E 2 pX q 2E pX qE pY q E 2 pY q
pE pX 2 q E 2 pX qq ` pE pY 2 q E 2 pY qq VarpX q ` VarpY q.
El rec proco del resultado anterior es en general falso, es decir, la condici on VarpX ` Y q VarpX q` VarpY q no es suciente para concluir que X y Y son independientes. Un ejemplo de esta situaci on se muestra en el Ejercicio 345, el cual requiere del concepto de distribuci on conjunta de variables aleatorias que estudiaremos con m as detalle en el cap tulo sobre vectores aleatorios.
Ejercicios
181. Calcule la media y la varianza de la variable aleatoria discreta X con funci on de probabilidad: " 1{n si x 1, 2, . . . , n, a ) f pxq 0 en otro caso. " 1{2x si x 1, 2, . . . b ) f pxq 0 en otro caso. 182. Calcule la media y la varianza de la variable aleatoria continua X con funci on de densidad: $ & 1{3 si 0 |x| 1, 1{6 si 1 |x| 2, a ) f pxq % 0 en otro caso. " x e si x 0, b ) f pxq 0 en otro caso.
2.7. Varianza " |x| si |x| 1, 0 en otro caso.
141
c ) f pxq
aq E pX q 0 VarpX q 5{18. Respuestas: bq E pX q 1 VarpX q 1. cq E pX q 0 VarpX q 1{2. 183. Encuentre la distribuci on de la variable aleatoria X que cumple las siguientes dos condiciones: P pX 1q 1 P pX 1q, E pX q VarpX q. P pX 1q 1`4 5 , ? Respuestas: 3 5 P pX 1q 4 . 184. Encuentre el valor del par ametro de tal forma que la varianza de la siguiente distribuci on sea uno. $ & |x| si x , 2 f pxq % 0 en otro caso. Respuesta: 3{2. 185. Demuestre las siguientes propiedades de la varianza: a ) VarpX q E pX 2 q. c ) VarpaX ` bq
?
b ) Varpa X q VarpX q,
a constante. a, b constantes.
d ) VarpX ` Y q VarpX q ` Var(Y) ` E rpX E pX qqpY E pY qqs. 186. Sea X una variable aleatoria con media y varianza nita 2 . Dena la funci on real g pxq E pX xq2 . Demuestre que: a ) g pxq 2 ` p xq2 . b ) g pxq tiene un m nimo en x y que ese valor m nimo es 2 .
a2 VarpX q,
187. Demuestre o proporcione un contraejemplo:
142 a ) VarpVarpX qq 0.
b ) VarpE pX qq E pX q.
d ) VarpX Y q VarpX q VarpY q.
c ) E pVarpX qq VarpX q.
e ) Si E pX q existe entonces VarpX q existe. f ) Si VarpX q existe entonces E pX q existe.
h ) Si VarpX q VarpY q entonces X Y . 188. Sean X1 , X2 , . . . , Xn v.a.s independientes e id enticamente distribu das 2 con media y varianza . La media muestral se dene como la v.a.
n 1 X Xk . n k 1
g ) Si VarpX q 0 entonces X 0.
Demuestre que: q . a ) E pX q 2 {n. b ) VarpX
189. Sean X y Y dos variables aleatorias con varianza nita. Demuestre que VarpX ` Y q VarpX q ` VarpY q E pXY q E pX q E pY q.
2.8.
Momentos
Para cada n umero natural n se dene el n- esimo momento de una variable n aleatoria X como el n umero E pX q, suponiendo que tal esperanza existe. As , los momentos de una variable aleatoria X son la colecci on de n umeros: E pX q, E pX 2 q, E pX 3 q, . . . correspondientes al primer momento, segundo momento, etc. Para variables aleatorias discretas el n- esimo momento se calcula como sigue xn f pxq, E pX n q
x
2.8. Momentos mientras que para variables aleatorias continuas la f ormula es E pX q

n
143
xn f pxq dx.
Suponiendo su existencia, cada uno de estos n umeros representa una caracter stica de la variable aleatoria o de su distribuci on. Por ejemplo, el primer momento es el valor promedio o la esperanza de la variable aleatoria. Recordando la f ormula VarpX q E pX 2 q E 2 pX q, podemos decir que la varianza es el segundo momento menos el primer momento al cuadrado, de este modo el segundo momento est a relacionado con la dispersi on de los valores que toma la variable aleatoria. El tercer momento est a relacionado con la simetr a de la correspondiente distribuci on de probabilidad. En general no se conoce una interpretaci on para cada uno de los momentos de una variable aleatoria en el mismo sentido que no se conoce una interpretaci on para cada una de las derivadas de una funci on innitamente diferenciable. Por otro lado tambi en debemos mencionar que los momentos pueden no existir y que en caso de que existan, en general no es de esperarse que pueda encontrarse una expresi on compacta para el n- esimo momento de una variable aleatoria dada. En la secci on 2.11 deniremos la funci on generadora de momentos, la cual nos permitir a calcular los momentos de una variable aleatoria de una forma alternativa al c alculo de la suma o integral de la denici on. En el as llamado problema de los momentos se plantea encontrar condiciones bajo las cuales a partir del conjunto de todos los momentos de una variable aleatoria se puede identicar de manera u nica su distribuci on de probabilidad. Ejemplo 2.24 Considere una variable aleatoria continua X con funci on de densidad como aparece abajo. No es dif cil comprobar que el primer momento es E pX q 0 y el segundo momento es E pX 2 q 1{6. $ & x ` 1 si 1 x 0, 1 x si 0 x 1, f pxq % 0 otro caso.
144
Se pueden denir tambi en los siguientes momentos para una variable aleatoria: E pX qn E |X | E |X | n- esimo momento central n- esimo momento absoluto n- esimo momento absoluto central n- esimo momento generalizado (c constante)
n n
E pX cq
Ejercicios
190. Demuestre que el n- esimo momento de una variable aleatoria continua X con funci on de densidad # x{2 si 0 x 2, f pxq 0 en otro caso, es E pX n q 2n`1 . n`2
191. Sea X una variable aleatoria continua con media y con funci on de densidad $ si 0 x 1, & x 2 x si 1 x 2, f pxq % 0 otro caso. Demuestre que el n- esimo momento central de X es E pX qn 1 ` p1qn . pn ` 1qpn ` 2q
192. Sea X una variable aleatoria con distribuci on uniforme en el intervalo ra, bs y sea n cualquier n umero natural. Demuestre que: a ) E pX n q bn ` 1 a n ` 1 pn ` 1qpb aq
2.9. Cuantiles $ & 0 b ) E pX qn pb aqn % pn ` 1q2n si n es impar, si n es par.
145
on de probabilidad sim etrica. Una funci on de probabilidad f pxq 193. Funci es sim etrica respecto de a si f pa ` xq f pa xq para cualquier n umero real x. Sea X una variable aleatoria con esperanza nita y con funci on de probabilidad sim etrica respecto de a. Demuestre que: a ) E pX q a.
b ) E rpX aqn s 0 para n 1, 3, 5, . . .
2.9.
Cuantiles
Los cuantiles son otras caracter sticas num ericas de las distribuciones de probabilidad y se denen de la siguiente forma: sabemos que toda funci on de distribuci on F pxq crece de manera continua o a trav es de saltos, si p P p0, 1s es una cierta probabilidad, entonces al valor m as peque no x tal que F pxq alcanza el nivel p o un nivel superior se le llama el cuantil-p de la distribuci on y se le denota por cp . As , el cuantil-p es el valor m as peque no cp tal que F pcp q p. (2.17)
En otras palabras, cp es tal que la funci on de distribuci on acumula por lo menos una probabilidad p hasta ese valor. Cuando la funci on de distribuci on es continua, la desigualdad (2.17) se reduce a la igualdad: F pcp q p. V ease la Figura 2.9. Se acostumbran utilizar las siguientes expresiones: cp es el cuantil de orden p, o cp es el cuantil al 100p % de la distribuci on. As , por ejemplo, c0.1 c0.2 es el cuantil al 10 % es el cuantil al 20 %
146
F pxq 1 0.75 0.5 0.25 x
c0.25
c0.5
c0.75
Figura 2.9 En particular a las cantidades c0.25 , c0.5 , c0.75 y c1 se les llama cuartiles de la distribuci on. M as particularmente, al cuartil al 50 % se le llama mediana de la distribuci on. Ejemplo 2.25 (Caso discreto) Sea X con funci on de distribuci on F pxq como se muestra en la Figura 2.10. Los cuatro cuartiles de esta distribuci on son: c0.25 2, c0.5 3, c0.75 4 y c1 5.
F pxq
11
0.8 0.6 0.4 0.2 x
Figura 2.10
n generadora de probabilidad 2.10. Funcio
147
Ejercicios
194. Calcule los cuantiles al 70 %, 80 % y 90 % para una variable aleatoria con funci on de probabilidad
x f pxq -2 1/10 -1 5/10 0 1/10 1 2/10 2 1/10
195. Calcule los cuatro cuartiles de la funci on de distribuci on: $ si x 1, & 0 1{2 si 1 x 1 a ) F pxq % 1 si x 1. " 0 si x 0, b ) F pxq 1 si x 0. " 1 ex si x 0, c ) F pxq 0 en otro caso. 196. Encuentre la distribuci on de la variable aleatoria discreta X con u nicamente dos posibles valores y tal que c1 4 y c0.3 2.
2.10.
Funci on generadora de probabilidad
Sea X una variable aleatoria discreta con posibles valores dentro del conjunto t0, 1, 2, . . .u. Para este tipo de variables aleatorias vamos a asociar otra funci on equivalente a la funci on de probabilidad y a la funci on de distribuci on.
148
Denici on 2.6 Sea X una variable aleatoria discreta con posibles valores dentro del conjunto t0, 1, 2, . . .u. A la funci on Gptq denida como on generadora de probabilidad de X , aparece abajo se le llama la funci Gptq E ptX q
8
x0
tx P pX xq.
(2.18)
Observe que dicha funci on est a denida por lo menos para valores reales de t dentro del intervalo r1, 1s, pues en tal caso la suma que aparece en (2.18) es convergente. En forma breve a esta funci on se le escribe como f.g.p. La letra G proviene del t ermino generadora y para indicar que la variable aleatoria X es la asociada se le escribe tambi en como GX ptq. As , la funci on Gptq se dene como una serie de potencias en t con coecientes dados por los valores de la funci on de probabilidad. Estos coecientes pueden reconstruirse nuevamente a partir de la expresi on de la funci on Gptq derivando y evaluando en cero, es decir, no es complicado demostrar que 1 px q G p0q, x!
P pX xq
x 0, 1, . . .
en donde Gpxq ptq denota la derivada de orden x de Gptq. Esto justica el nombre dado a esta funci on pues a partir de ella se pueden ir generando las probabilidades de que la variable aleatoria tome sus distintos valores. De esta manera la f.g.p. proporciona una representaci on alterna de la informaci on dada por la funci on de probabilidad. V ease el Ejercicio 197 para una breve lista de algunas otras propiedades de la f.g.p. Ejemplo 2.26 Considere la variable discreta X con funci on de probabilidad f pxq # 1{2x si x 1, 2, . . . en otro caso.
149
En este caso la variable no toma valores enteros a partir de cero sino a partir de uno. Entonces Gptq
8
x1
x1 8
tx p1{2qx
pt{2qx si |t| 2.
t 2t
Puede comprobarse que Gpxq ptq 2 x! p2 tqx1 y por lo tanto, 1 px q G p0q 1{2x P pX xq. x! El siguiente resultado nos provee de una f ormula para encontrar los momentos de una variable aleatoria a partir de su f.g.p. suponiendo la existencia de estos momentos. Para comprender mejor el enunciado debemos recordar que la expresi on Gp1q se dene como el l mite de la funci on Gptq cuando t se aproxima al valor 1 por la izquierda.
Proposici on 2.9 Sea X discreta con funci on generadora de probabilidad Gptq. Si el k - esimo momento de X existe entonces Gpkq p1q E pX pX 1q pX k ` 1qq. Demostraci on. que Derivando k veces la serie de potencias (2.18) tenemos
8
Gpkq ptq
xk
xpx 1q px k ` 1q txk P pX xq.
Ahora se toma el l mite cuando t 1. El lema de Abel permite el intercambio de este l mite con la suma innita obteni endose as el resultado
150 anunciado, es decir,

pk q 8
p1q
E pX pX 1q pX k ` 1qq.
xk
xpx 1q px k ` 1q P pX xq
El siguiente resultado es bastante u til en las aplicaciones de la f.g.p. y establece que la f.g.p. de la suma de dos variables independientes es el producto de las f.g.p.
Proposici on 2.10 Sean X y Y discretas e independientes con funciones generadoras de probabilidad GX ptq y GY ptq. Entonces GX `Y ptq GX ptq GY ptq. Demostraci on. Usando la hip otesis de independencia tenemos que GX `Y ptq E ptX `Y q E ptX q E ptY q E ptX tY q
GX ptq GY ptq.
Es claro a partir de la denici on que dos variables aleatorias con la misma distribuci on de probabilidad tienen asociada la misma f.g.p. Demostraremos a continuaci on que la relaci on es uno a uno, es decir, si se tienen dos variables aleatorias con la misma f.g.p. entonces estas tienen la misma distribuci on de probabilidad. Este resultado es muy importante pues establece que la f.g.p. caracteriza de manera u nica a la distribuci on de probabilidad de la variable aleatoria
151
Proposici on 2.11 (Caracterizaci on). Sean X y Y dos variables aleatorias discretas con el mismo conjunto de valores t0, 1, 2, . . .u y con funciones generadoras de probabilidad GX ptq y GY ptq, tales que GX ptq GY ptq en un intervalo no trivial alrededor del cero. Entonces X y Y tienen la misma distribuci on de probabilidad.
Demostraci on. Supongamos que GX ptq GY ptq en un intervalo no trivial ps, sq alrededor del cero. Esto signica que las dos series de potencias son id enticas en dicho intervalo. Substrayendo una serie de otra se obtiene una serie de potencias id enticamente cero, es decir,
8
x0
rP pX xq P pY xqs tx 0,
para cada t P ps, sq.
Esto s olo es posible cuando los coecientes de la serie son todos cero, es decir, para cada x 0, 1, . . . se tiene que P pX xq P pY xq.
Ejemplo 2.27 Se dice que la v.a. X tiene distribuci on Poisson de par ametro 0 si su funci on de probabilidad est a dada por f pxq # e 0
x x!
para x 0, 1, . . . , en otro caso.
Esto es, para cualquier valor real del par ametro 0 esta funci on es una funci on de probabilidad. En el siguiente cap tulo estudiaremos con m as
152
detalle esta distribuci on. Calcularemos a continuaci on su f.g.p. Gptq E ptX q 8 x tx e x! x0 e
ep1tq . As , debido a lo demostrado antes relativo a la correspondencia uno a uno entre las distribuciones de probabilidad y las f.g.p. sabemos que esta funci on es la f.g.p. de la distribuci on Poisson y que cualquier v.a. discreta con f.g.p. de esta forma tiene distribuci on Poisson. Usaremos este hecho para demostrar con facilidad que la suma de dos variables aleatorias independientes con distribuci on Poisson tiene nuevamente distribuci on Poisson. Sean X y Y dos variables aleatorias independientes con distribuci on Poisson de par ametros 1 y 2 , respectivamente. Entonces, por la independencia, GX `Y ptq GX ptq GY ptq
e et
8 ptqx x! x0
ep1 `2 qp1tq .
e1 p1tq e2 p1tq
Observe que esta u ltima expresi on tiene la forma de la f.g.p. de la distribuci on Poisson s olo que en lugar del par ametro aparece la expresi on 1 ` 2 . Esto indica que X ` Y tiene distribuci on Poisson de par ametro 1 ` 2 . En los siguientes cap tulos haremos uso de la f.g.p. y sus propiedades para caracterizar a algunas distribuciones de probabilidad espec cas.
Ejercicios
197. Sea X una v.a. discreta con valores en el conjunto t0, 1, . . .u y con f.g.p. Gptq. Demuestre las siguientes propiedades de la funci on generadora
n generadora de momentos 2.11. Funcio
153
de probabilidad. Recuerde que Gp1q se dene como el l mite de la funci on Gptq cuando t se aproxima al valor 1 por la izquierda. V ease adem as el lema de Abel que aparece en el ap endice. a ) Gp1q 1.
b ) Si X tiene esperanza nita, entonces Gp1q p1q E pX q. c ) Si X tiene varianza nita, entonces Gp2q p1q ` Gp1q p1q rGp1q p1qs2 VarpX q.
198. Sea X una variable aleatoria con funci on de probabilidad como aparece abajo. Demuestre que la f.g.p. de X es Gptq p1 tn q{pnp1 tqq. # 1{n si x 0, 1, . . . , n 1, f pxq 0 en otro caso.
2.11.
Funci on generadora de momentos
Otra funci on bastante u til que puede calcularse para algunas variables aleatorias, ahora incluyendo por igual el caso discreto y continuo, y que est a relacionada con los momentos de la variable aleatoria es la que se dene a continuaci on.
Denici on 2.7 La funci on generadora de momentos de una variable aleatoria discreta o continua X es la funci on M ptq denida como sigue: M ptq E petX q, para valores reales de t en donde esta esperanza existe.
En forma breve se le escribe como f.g.m. La letra M corresponde al t ermino momentos y en breve justicaremos su relaci on con los momentos de la
154
variable aleatoria. Cuando sea necesario especicar la variable aleatoria en cuesti on se le escribe tambi en como MX ptq. As , en el caso discreto esta funci on se calcula como etx P pX xq, M ptq
x
y en el caso continuo M ptq 8 etx f pxq dx.
Hacemos enfasis en que la suma o integral anteriores pueden no ser convergentes para ning un valor de t distinto de cero y en tales casos decimos que la variable aleatoria no tiene funci on generadora de momentos nita. Se puede demostrar que cuando existe un intervalo no trivial ps, sq alrededor del cero en donde la f.g.m. existe, entonces todos los momentos de X existen y la f.g.m. adquiere la forma de la siguiente serie de potencias: M ptq
8 tn E pX n q. n ! n 0
(2.19)
En consecuencia, M ptq tiene derivadas continuas de cualquier orden en el intervalo ps, sq y en consecuencia tenemos el siguiente resultado que justica el nombre para esta funci on.
Proposici on 2.12 Sea X una v.a. con funci on generadora de momentos M ptq nita en un intervalo no trivial alrededor del cero. Entonces M pnq p0q E pX n q. Demostraci on. A partir de la expansi on (2.19) es inmediato comprobar que para cualquier entero n 0, M pnq p0q E pX n q. Es decir, los momentos de X se encuentran derivando la f.g.m. y evaluando en t 0.
155
Demostraremos ahora que la f.g.m. de la suma de dos variables independientes es el producto de las f.g.m.
Proposici on 2.13 Sean X y Y independientes con funciones generadoras de momentos MX ptq y MY ptq. Entonces MX `Y ptq MX ptq MY ptq. Demostraci on. Usando la hip otesis de independencia tenemos que
MX `Y ptq E petpX `Y q q E petX q E petY q E petX etY q
MX ptq MY ptq.
La f.g.m. tambi en tiene la propiedad de caracterizar a la distribuci on de probabilidad de manera u nica. Este es el contenido del siguiente resultado cuya demostraci on no es sencilla y la omitiremos.
Proposici on 2.14 (Caracterizaci on). Sean X y Y dos variables aleatorias con f.g.m. MX ptq y MY ptq las cuales coinciden en un intervalo no trivial alrededor del cero. Entonces X y Y tienen la misma distribuci on de probabilidad.
M as a un, las funciones generadoras de momentos cumplen con la siguiente propiedad importante que usaremos en el u ltimo cap tulo para demostrar algunos teoremas l mite.
156
Teorema 2.1 (Continuidad de la f.g.m.). Sea X1 , X2 , . . . una sucesi on de variables aleatorias tal que la n- esima v. a. tiene f.g.m. MXn ptq y cuando n 8, MXn ptq MX ptq, t P ps, sq,
para alguna v. a. X con f.g.m. MX ptq. Entonces la sucesi on de funciones on de distribuci on de la variable X , es decir, FXn pxq converge a la funci cuando n 8, FXn pxq FX pxq, en cada punto de continuidad x de FX pxq. La demostraci on de estos resultados puede encontrarse en [7].
Ejercicios
199. Sea X una variable aleatoria discreta con funci on de probabilidad como aparece abajo. Encuentre la funci on generadora de momentos de X y a partir de ella calcule la media y la varianza de X . " 1{2x si x 1, 2, . . . f pxq 0 en otro caso. Respuesta: M ptq
et 2et ,
t ln 2.
200. Sea X una variable aleatoria continua con funci on de densidad como aparece abajo. Encuentre la funci on generadora de momentos de X y a partir de ella calcule la media y la varianza de X . " 2x si 0 x 1, f pxq 0 en otro caso. 201. Sea X una variable aleatoria con f.g.m. MX ptq y sean a y b dos constantes. Demuestre que MaX `b ptq ebt MX patq.
157
202. No existencia de la f.g.m. Se dice que la variable aleatoria X tiene una distribuci on t con n 1 grados de libertad si su funci on de densidad es como aparece abajo. Demuestre que para esta distribuci on no existe su f.g.m. 1 , x P R. f pxq p1 ` x2 q
158
Cap tulo 3
Distribuciones de probabilidad
Estudiaremos ahora algunas distribuciones de probabilidad particulares. Las distribuciones que mencionaremos tienen un nombre particular adquirido ya sea debido a la situaci on en la que surge, o bien debido al nombre de su descubridor o a la persona que inicialmente la utiliz o en alguna aplicaci on importante. Empezaremos con las distribuciones de tipo discreto y continuaremos despu es con las de tipo continuo. Principalmente en este u ltimo caso omitiremos especicar el experimento aleatorio y el espacio de probabilidad en donde pueden denirse estas variables aleatorias y sus distribuciones. Nota importante. El lector debe siempre recordar que no existe homogeneidad en la literatura acerca de la forma de escribir los par ametros de una distribuci on de probabilidad dada. Por lo tanto se debe tener siempre cuidado al comparar f ormulas y resultados de una fuente bibliogr aca a otra y tambi en vericar la forma en la que los par ametros de una distribuci on particular son usados en sus implementaciones en los distintos lenguajes de programaci on y paquetes computacionales.
3.1.
Distribuci on uniforme discreta
Decimos que una variable aleatoria X tiene una distribuci on uniforme discreta sobre el conjunto de n n umeros tx1 , . . . , xn u si la probabilidad de que X tome cualquiera de estos valores es constante 1{n. Esta distribuci on surge 159
160
3. Distribuciones de probabilidad
Es inmediato comprobar que la esperanza y la varianza para esta distribuci on se calculan del siguiente modo:
n 1 E pX q xi , n i 1
en espacios de probabilidad equiprobables, esto es, en situaciones en donde tenemos n resultados diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de loter a son un ejemplo donde puede aplicarse esta distribuci on de probabilidad. Se escribe X uniftx1 , x2 , . . . , xn u, en donde el s mbolo se lee se distribuye como. La funci on de probabilidad de esta variable aleatoria es $ & 1 si x x , x , . . . , x , 1 2 n n f pxq % 0 otro caso.
VarpX q
n 1 pxi q2 . n i 1
Algunas otras propiedades de esta distribuci on se encuentran en la secci on de ejercicios. Ejemplo 3.1 La gr aca de la funci on de probabilidad de la distribuci on uniforme en el conjunto t1, 2, 3, 4, 5u aparece en la Figura 3.1, junto con la correspondiente funci on de distribuci on. Cada salto en la funci on de distribuci on es de tama no 1{5. La expresi on completa de F pxq es la siguiente: $ 0 1{5 & 2{5 F pxq 3{5 4{5 % 1 si si si si si si x 1, 1 x 2, 2 x 3, 3 x 4, 4 x 5, x 5.
n uniforme discreta 3.1. Distribucio
161
f pxq 1{5
F pxq
5 Figura 3.1
Ejemplo 3.2 Al generar un n umero aleatorio en una computadora dentro del intervalo unitario r0, 1s y debido a que la precisi on de la computadora es necesariamente nita, se obtienen siempre valores dentro de un conjunto nito de elementos. Por ejemplo, si la precisi on de la computadora es de dos decimales, entonces s olo se pueden generar los n umeros : 0.00, 0.01, 0.02,. . ., 0.99, 1.00. La precisi on de una computadora actual es claramente mucho mayor a la considerada pero siempre es nita y alg un grado de imprecisi on prevalece, es decir, en t erminos pr acticos se tiene una distribuci on uniforme discreta al generar un valor al azar dentro del intervalo r0, 1s.
Ejemplo 3.3 En R se pueden generar valores al azar de la distribuci on uniforme discreta usando el siguiente comando:
# 15 valores al azar de la distribuci on unift1, . . . , 10u > sample(1:10,15,replace=TRUE) r1s 7 3 4 1 1 3 2 1 6 5 3 8 2 9 1
Ejemplo 3.4 En Python se puede crear una lista de elementos y mediante la funci on predenida choice() se escoge un elemento al azar en la lista con distribuci on uniforme. El c odigo es el siguiente:
162
>>> import random >>> conjunto=[1,2,3,4,5] >>> random.choice(conjunto) 3
Ejercicios
203. Sea X con distribuci on uniforme en el conjunto t1, . . . , nu. Demuestre que: a ) E pX q pn ` 1q{2. b ) E pX 2 q pn ` 1qp2n ` 1q{6. c ) VarpX q pn2 1q{12.
204. Sea X con distribuci on unift0, 1u. Demuestre que el n- esimo momento de X es E pX n q 1{2. 205. Encuentre los cuatro cuartiles de la distribuci on unift1, . . . , 4nu. 206. Sea X con distribuci on unift1, . . . , nu. Demuestre que la f.g.p. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las f ormulas para E pX q y VarpX q que aparecen en el Ejercicio 203. tp1 tn q . Gptq np1 tq 207. Sea X con distribuci on unift1, . . . , nu. Demuestre que la f.g.m. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las f ormulas para E pX q y VarpX q que aparecen en el Ejercicio 203. et p1 ent q M ptq . np1 et q on. Este es un mecanismo para generar valores al azar de una 208. Simulaci v.a con distribuci on uniftx1 , . . . , xn u a partir de valores de una v.a. con distribuci on unifp0, 1q. Sea u un valor al azar con distribuci on
n Bernoulli 3.2. Distribucio
163
unifp0, 1q, la cual estudiaremos mas adelante. Demuestre que la variable aleatoria X denida a continuaci on tiene distribuci on uniftx1 , . . . , xn u. $ x1 & x2 X x % n 1 xn si 0 u 1{n, si 1{n u 2{n, si pn 2q{n u pn 1q{n, si pn 1q{n u 1.
209. Se escogen al azar y de manera independiente dos n umeros a y b dentro del conjunto t1, . . . , 10u. Calcule la probabilidad de que: a ) a y b coincidan. b ) a sea menor a b. d ) a y b dieran en por lo menos 2 unidades. 210. Sea X con distribuci on uniforme en el conjunto t1, 2, 3, 4, 5u. Cu al es la probabilidad de que el area del rect angulo de lados X y 6 X sea mayor o igual a 8? Respuesta: 3{5. 211. Sean X y Y dos variables aleatorias independientes, ambas con distribuci on unift1, . . . , nu. Encuentre una expresi on para la funci on de probabilidad de la variable aleatoria: a ) Z m ntX, Y u. c ) a sea mayor a b ` 1.
b ) Z m axtX, Y u.
3.2.
Distribuci on Bernoulli
Un ensayo Bernoulli se dene como aquel experimento aleatorio con u nicamente dos posibles resultados llamados gen ericamente: exito y fracaso. Supondremos que las probabilidades de estos resultados son p y 1 p respectivamente. Si se dene la variable aleatoria X como aquella funci on que
164
O bien de manera compacta, # px p1 pq1x si x 0, 1, f pxq 0 en otro caso.
lleva el resultado exito al n umero 1 y el resultado fracaso al n umero 0, entonces decimos que X tiene una distribuci on Bernoulli con par ametro p P p0, 1q y escribimos X Berppq. La funci on de probabilidad se puede escribir de la siguiente forma: $ & 1 p si x 0, p si x 1, f pxq % 0 en otro caso.
La funci on de probabilidad f pxq puede obtenerse en R usando el comando que se muestra a continuaci on. El nombre asignado al comando y sus argumentos ser an justicados una vez que estudiemos la distribuci on binomial, pues resulta que la distribuci on Bernoulli es un caso particular de la distribuci on binomial.
# dbinom(x,1,p) eval ua f pxq de la dist. Berppq > dbinom(0,1,0.7) r1s 0.3
La gr aca de esta funci on de probabilidad para p 0.7 aparece en la Figura 3.2, junto con la correspondiente funci on de distribuci on, la cual tiene la siguiente forma: $ si x 0, & 0 1 p si 0 x 1, F pxq % 1 si x 1.
Para la funci on de distribuci on F pxq se usa el siguiente comando,

# pbinom(x,1,p) eval ua F pxq de la dist. Berppq > pbinom(0.2,1,0.7) r1s 0.3
n Bernoulli 3.2. Distribucio Es inmediato vericar que E pX q p,
165
VarpX q pp1 pq.
1 0.7 0.3
f pxq
1 0.3 x
F pxq
x 0
1 Figura 3.2
En la realizaci on de todo experimento aleatorio siempre es posible preguntarnos por la ocurrencia o no ocurrencia de un evento cualquiera. Este es el esquema general donde surge esta distribuci on de probabilidad. La distribuci on Bernoulli es sencilla pero de muy amplia aplicaci on como veremos m as adelante.
Ejemplo 3.5 Sea el espacio muestral de A un evento con probabilidad p 0. Sea X # 1 si X p q 0 si
un experimento aleatorio y sea la variable aleatoria dada por P A,
R A.
Entonces X tiene distribuci on Berppq. A esta variable aleatoria X se le llama la funci on indicadora del evento A y se le denota tambi en por 1A p q. As , al efectuar un ensayo del experimento aleatorio, la funci on indicadora se nala cuando ocurre el evento A tomando el valor 1, e indica que no ha ocurrido el evento A tomando el valor 0.
166
Ejemplo 3.6 Considere el experimento aleatorio de lanzar una moneda al aire. Suponga que 0 y 1 son los dos resultados posibles, con probabilidades 1 p y p, respectivamente. Sea X la variable aleatoria dada por X p0 q 0, y X p1 q 1. Entonces X tiene distribuci on Berppq. Puede usted encontrar la distribuci on de la variable Y 1 X ? Simulaci on 3.1 En R se pueden generar k valores al azar de la distribuci on Berppq usando el comando que aparece en el siguiente recuadro. Modique los valores de los par ametros y obtenga tantos valores al azar de esta distribuci on como desee.
# rbinompk, 1, pq genera k valores al azar de la dist. Berppq > rbinom(25,1,0.7) r1s 1 0 1 1 1 1 1 1 0 1 1 0 0 1 1 1 0 0 0 1 1 1 0 0 1
Ejercicios
212. Sea X con distribuci on Berppq y sea n un n umero natural. Encuentre la distribuci on de las siguientes variables aleatorias: a ) X n. b ) p1 X qn . c ) |X 1|n . Respuestas: aq Berppq. bq Berp1 pq. cq Berp1 pq.
213. Sea X con distribuci on Berppq y sean a y b dos constantes con a 0. Dena la variable aleatoria Y aX ` b. Demuestre que: a ) la funci on de probabilidad de Y es # y b y b p a p1 pq1 a f py q 0
otro caso.
si y b, a ` b,
n binomial 3.3. Distribucio b ) E pY q ap ` b.
167
d ) E pY n q bn p1 pq ` pa ` bqn p,
c ) VarpX q a2 pp1 pq.
n 1.
214. Sea X con distribuci on Berppq. Demuestre que el n- esimo momento n de X es E pX q p. 215. Encuentre los cuatro cuartiles de la distribuci on Berppq con p 1{2. 216. Sea X con distribuci on Berppq. Demuestre que la f.g.p. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q p y VarpX q pp1 pq. Gptq 1 p ` pt. 217. Sea X con distribuci on Berppq. Demuestre que la f.g.m. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q p y VarpX q pp1 pq. M ptq 1 p ` pet . on. Este es un mecanismo para generar valores al azar de una 218. Simulaci v.a. con distribuci on Berppq a partir de valores de una v.a. con distribuci on unifp0, 1q. Sea u un valor al azar con distribuci on unifp0, 1q. Demuestre que la variable aleatoria X denida a continuaci on tiene distribuci on Berppq. # 0 si 0 u 1 p, X 1 si 1 p u 1.
3.3.
Distribuci on binomial
Supongamos que efectuamos una serie de n ensayos independientes Bernoulli en donde la probabilidad de exito en cada ensayo es p. Si denotamos por E el resultado exito y por F el resultado fracaso, entonces el espacio muestral de este experimento consiste de todas las posibles sucesiones de longitud n
168
de caracteres E y F . As , el espacio muestral consiste de 2n elementos. Si ahora denimos la variable aleatoria X como aquella funci on que indica el n umero de exitos en cada una de estas sucesiones, esto es, X pEE EE q n,
X pF E EE q n 1, . . . X pF F F F q 0,
Decimos entonces que X tiene una distribuci on binomial con par ametros n y p, y escribimos X binpn, pq. Esta expresi on para la funci on de probabilidad puede obtenerse de la siguiente forma: la probabilidad de obtener x exitos y n x fracasos en n ensayos Bernoulli es, preliminarmente, pomo op p1 pq p1 pq px p1 pqnx , lo n loooooooooomoooooooooon
x n x
entonces tenemos que X puede tomar los valores 0, 1, 2, . . . , n con las probabilidades dadas por la funci on de probabilidad: $ & n px p1 pqnx si x 0, 1, . . . , n, x f pxq % 0 en otro caso.
pero hemos colocado los x exitos en los primeros ensayos cuando ello no ocurrir a necesariamente as . Las diferentes formas en que los x exitos pue` den distribuirse en los n ensayos est a dada por el coeciente binomial n x . Al hacer la multiplicaci on de estas cantidades se obtiene la expresi on anunciada. El c alculo de la funci on f pxq puede representar un reto desde el punto de vista num erico pues se ven involucradas varias multiplicaciones particularmente cuando n es grande. En R esta funci on de probabilidad se obtiene usando el siguiente comando:
# dbinom(x,n,p) eval ua f pxq de la dist. binpn, pq > dbinom(8,10,0.3) r1s 0.001446701
n binomial 3.3. Distribucio
169
Ejemplo 3.7 Cuando el n umero de ensayos es n 10 y la probabilidad de exito es p 0.3, se puede calcular, por ejemplo: 10 p0.3q2 p0.7q102 0.2334 , P pX 2q 2 y de manera an aloga el resto de las probabilidades. La gr aca de esta funci on de probabilidad con los par ametros n y p indicados se muestra en la Figura 3.3.
x 0 1 2 3 4 5 6 7 8 9 10 f pxq 0.02824752 0.1210608 0.2334744 0.2668279 0.2001209 0.1029193 0.03675691 0.009001692 0.001446701 0.000137781 0.0000059049
0.3 0.2 0.1
f pxq n 10 p 0.3 1 2 3 4 5 6 7 8 9 10 x
Figura 3.3 La funci on de distribuci on F pxq se escribe simplemente como la suma de los valores f puq para valores de u menores a iguales a x, pero esta f ormula no tiene una expresi on compacta y por ello no la escribiremos. Los valores de esta funci on se pueden obtener en R de la siguiente forma:
# pbinom(x,n,p) eval ua F pxq de la dist. binpn, pq > pbinom(4,10,0.3) r1s 0.8497317
170
Por otro lado, despu es de algunos c alculos puede demostrarse que para una variable X con distribuci on binpn, pq, VarpX q npp1 pq. E pX q np, (3.1) (3.2)
Cuando el par ametro n en la distribuci on binpn, pq toma el valor 1 se obtiene la distribuci on Berppq. El siguiente resultado es muy u til y se puede demostrar por separado o bien considerarse como una consecuencia de la forma en la que se ha denido la distribuci on binomial.
Proposici on 3.1 Sean X1 , . . . , Xn variables aleatorias independientes cada una con distribuci on Berppq. Entonces la variable aleatoria suma X X1 ` X2 ` ` Xn (3.3)
tiene distribuci on binpn, pq. Rec procamente, toda v. a. con esta distribuci on puede ser expresada como una suma de la forma anterior.
As , cada sumando toma el valor 1 o 0 dependiendo de si el ensayo correspondiente fue exito o fracaso, y la suma indica el n umero total de exitos en los n ensayos. Aplicando las propiedades de la esperanza y la varianza en esta suma de variables aleatorias se pueden encontrar de forma m as directa las expresiones (3.1) y (3.2). Simulaci on 3.2 La expresi on (3.3) sugiere un mecanismo para generar valores al azar de la distribuci on binpn, pq. Si se generan de manera independientes n valores al azar de la distribuci on Berppq y se suman estos valores, se obtiene un valor al azar de la distribuci on binpn, pq. Simulaci on 3.3 En R se pueden obtener valores al azar de la distribuci on binpn, pq usando el comando que se muestra en el siguiente recuadro. Asigne valores a los par ametros correspondientes y genere tantos valores al azar como desee.
171
# rbinom(k,n,p) genera k valores al azar de la dist. binpn, pq > rbinom(25,10,0.3) r1s 3 4 6 3 0 1 1 2 4 4 4 4 5 1 2 4 2 1 2 4 5 7 2 4 3
Ejemplo 3.8 Un examen tiene diez preguntas y cada una tiene tres opciones como respuesta, siendo solamente una de ellas la correcta. Si un estudiante contesta cada pregunta al azar, cu al es la probabilidad de que apruebe el examen? Soluci on: si X denota el n umero de preguntas contestadas correctamente, entonces X tiene distribuci on binpn, pq con n 10 y p 1{3. Suponiendo que la calicaci on m nima aprobatoria es 6, entonces la respuesta es
10 10 P pX 6q p1{3qx p2{3q10x 0.07656353 . x x6
Esta probabilidad es sorprendentemente peque na y por lo tanto la estrategia seguida por el estudiante para contestar el examen no parece ser la mejor.
Ejercicios
219. Sea X una variable aleatoria con distribuci on binpn, pq. Use el teorema del binomio para demostrar que f pxq es efectivamente una funci on de probabilidad. 220. Sea X una variable aleatoria con distribuci on binpn, pq. Encuentre los valores de los par ametros n y p cuando: a ) E pX q 6 y VarpX q 3.
b ) E pX q 12 y E pX 2 q 150.
Respuestas: aq n 12 y p 1{2. bq n 24 y p 1{2.
172
221. Sea f pxq la funci on de probabilidad de la distribuci on binpn, pq. Demuestre que: ormula iterativa: para x entero tal que 0 x n, a ) F f px ` 1q p pn xq f pxq. p1 pq px ` 1q
b ) f pxq es creciente de x a x ` 1 para valores enteros de x en el intervalo r0, np ` p 1s.
d ) f pxq tiene un m aximo en x denido como el entero m as peque no mayor o igual a np ` p 1, es decir, x rnp ` p 1s.
c ) f pxq es decreciente de x a x ` 1 para valores enteros de x en el intervalo rnp ` p 1, ns.
e ) f px q f px ` 1q cuando x coincide con np ` p 1. Por el inciso anterior, esto signica que f pxq tiene dos modas o m aximos, uno en x y otro en x ` 1.
222. Usando directamente la denici on de esperanza, demuestre que si X tiene distribuci on binpn, pq, entonces a ) E pX q np. b ) E pX 2 q npp1 p ` npq. c ) VarpX q npp1 pq.
223. Sea X con distribuci on binpn, pq. Demuestre que la f.g.p. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q np y VarpX q npp1 pq. Gptq p1 p ` ptqn . 224. Sea X con distribuci on binpn, pq. Demuestre que la f.g.m. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q np y VarpX q npp1 pq. M ptq p1 p ` pet qn .
173
225. Sean X y Y independientes con distribuci on binpn, pq y binpm, pq respectivamente. Demuestre que la variable X ` Y tiene distribuci on binpn ` m, pq siguiendo los siguientes tres m etodos: a ) Calculando directamente P pX ` Y k q para k 0, 1, . . . , n ` m. b ) Usando la f.g.p. c ) Usando la f.g.m. 226. Demuestre que si X tiene distribuci on binpn, pq, entonces n X tiene distribuci on binpn, 1 pq. 227. Considere un experimento aleatorio y sea A un evento con probabilidad estrictamente positiva. Suponga que se realizan n ensayos independientes de este experimento aleatorio y dena a X como el n umero de veces que se observa la ocurrencia del evento A en estos n ensayos. Demuestre que para cualquier entero jo k 1 ,
n8
l m P pX k q 1.
sticas. Escriba un programa en R que efect ue lo 228. Regularidades estad siguiente: a ) Asigne un valor natural al par ametro n y una probabilidad al par ametro p. b ) Genere 200 valores independientes al azar x1 , . . . , x200 de la distribuci on binpn, pq y calcule los promedios parciales sm
m 1 xk , m k 1
para m 1, 2, . . . , 200.
c ) Graque la funci on m sm y una los puntos con l neas rectas. Graque tambi en la l nea horizontal y np. Qu e puede decir del comportamiento de sm ? Esta regularidad se presenta siempre para cualquier distribuci on con esperanza nita y se llama ley de los grandes n umeros.
174
229. Un productor de semillas conoce por experiencia que el 10 % de un gran lote de semillas no germinan. El productor vende sus semillas en paquetes de 200 semillas garantizando que por lo menos 185 de ellas germinar an. Calcule el porcentaje de paquetes que no cumplir an la garant a. 230. Se conoce que en una cierta poblaci on el 0.3 % de las personas tienen un cierto tipo de accidente en un a no dado cualquiera. Encuentre la probabilidad de que una compa n a aseguradora tenga que indemnizar a mas de 5 personas de los 1, 500 asegurados que componen su cartera para este tipo de accidentes en un a no.
3.4.
Distribuci on geom etrica
Supongamos ahora que tenemos una sucesi on innita de ensayos independientes Bernoulli, en cada uno de los cuales la probabilidad de exito es p. Para cada una de estas sucesiones denimos la variable aleatoria X como el n umero de fracasos antes de obtener el primer exito. Por ejemplo, X pEF F EEE q 0, X pF F F EF E q 3. X pF EF EF F q 1,
Observamos que X puede tomar los valores 0, 1, 2, . . . No es dif cil darse cuenta que la probabilidad de que X tome el valor entero x 0 es pp1 pqx . Decimos entonces que X tiene una distribuci on geom etrica con par ametro p y escribimos X geoppq cuando su funci on de probabilidad es # p p1 pqx si x 0, 1, . . . f pxq P pX xq 0 en otro caso. La gr aca de esta funci on cuando p 0.4 se muestra en la Figura 3.4 y en R se pueden encontrar los valores de f pxq de la siguiente forma:
# dgeom(x,p) eval ua f pxq de la dist. geoppq > dgeom(5,0.4) r1s 0.031104
n geome trica 3.4. Distribucio

x 0 1 2 3 4 5 6 7 8 9 f pxq 0.4 0.24 0.144 0.0864 0.05184 0.031104 0.0186624 0.01119744 0.006718464 0.004031078
175
0.4 0.3 0.2 0.1
f pxq
p 0.4 x
1 2 3 4 5 6 7 8 9 10 Figura 3.4
Estos valores pueden encontrarse en R usando el siguiente comando:

# pgeom(x,p) eval ua F pxq de la dist. geoppq > pgeom(5,0.4) r1s 0.953344
El nombre de esta distribuci on proviene del hecho de que cuando escribimos la suma de todas las probabilidades obtenemos una suma geom etrica. Efectuando las sumas parciales de la funci on de probabilidad se encuentra que la correspondiente funci on de distribuci on es: $ 0 si x 0, 1 1 p1 pq si 0 x 1, & 1 p1 pq2 si 1 x 2, F pxq f puq . . . ... u x k ` 1 1 p1 pq si k x k ` 1, % ... ...
Para esta distribuci on es posible adem as demostrar que 1p , E pX q p 1p . VarpX q p2
176
Simulaci on 3.4 En R se pueden generar valores al azar de la distribuci on geom etrica de la forma como se muestra en el siguiente recuadro. Asigne un valor al par ametro p y genere valores al azar de esta distribuci on.
# rgeom(k,p) genera k valores al azar de la dist. geoppq > rgeom(25,0.4) r1s 0 1 1 0 7 5 0 4 1 0 0 0 0 0 0 0 2 1 1 0 1 0 0 1 0
Ejemplo 3.9 La inspecci on sucesiva de art culos hasta encontrar uno defectuoso, posiblemente en un proceso de control de calidad, puede modelarse usando una distribuci on geom etrica. Ejemplo 3.10 Una persona participa cada semana con un boleto en un juego de loter a en donde la probabilidad de ganar el primer premio es p 106 1{1, 000, 000. Cu antos a nos en promedio debe esta persona participar en el juego hasta obtener el primer premio? Soluci on: si X denota el n umero de participaciones en el juego antes de obtener el primer premio, entonces X tiene distribuci on geom etrica de pa 6 r ametro p 10 . Y por lo tanto la esperanza de la variable X ` 1 es el n umero promedio de semanas que deben transcurrir hasta obtener el primer premio. Este n umero es 1 1p ` 1 106 1, 000, 000. p p Lo que es equivalente a 19, 230 a nos aproximadamente.
Ejercicios
231. Sea f pxq la funci on de probabilidad de la distribuci on geoppq. Demuestre que: a ) f pxq es efectivamente una funci on de probabilidad.
n geome trica 3.4. Distribucio
177
b ) f pxq es decreciente y por lo tanto tiene un m aximo en x 0. 232. Use la f ormula (2.15) del Ejercicio 167 para demostrar que si X tiene distribuci on geoppq entonces E pX q 1p . p
on. Sea X0 , X1 , . . . una sucesi on de v.a.s independientes con 233. Simulaci distribuci on Berppq. Dena X m ntn 0 : Xn 1u. Demuestre que X tiene distribuci on geoppq. Esto permite encontrar valores al azar de la distribuci on geom etrica a partir de valores al azar de la distribuci on Bernoulli. 234. Sea X con distribuci on geoppq. Demuestre que la f.g.p. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q p1 pq{p y VarpX q p1 pq{p2 . Gptq p . 1 p1 pqt
235. Sea X con distribuci on geoppq. Demuestre que la f.g.m. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q p1 pq{p y VarpX q p1 pq{p2 . M ptq p . 1 p1 pqet
erdida de memoria. Sea X con distribuci on geoppq. Demuestre que 236. P para cualesquiera enteros n, m 0, P pX n ` m | X mq P pX nq. 237. Dos personas lanzan alternativamente una moneda equilibrada. Se escoge una de las caras de la moneda y el primero que obtenga esa cara es el ganador. Encuentre la probabilidad de ganar de cada uno de los jugadores. Respuesta: p1 2{3, p2 1{3.
178
238. La otra geom etrica. En ocasiones es necesario considerar el n umero de ensayos (no el de fracasos) antes del primer exito en una sucesi on de ensayos independientes Bernoulli. En este caso la variable es Y 1 ` X en donde X tiene distribuci on geoppq, es decir, la distribuci on se desplaza hacia la derecha una unidad. Para la variable Y encuentre su funci on de probabilidad fY py q y su funci on de distribuci on FY py q. Demuestre adem as que: a ) E pY q 1{p. b ) VarpY q p1 pq{p2 .
3.5.
Distribuci on binomial negativa
Consideremos nuevamente la situaci on de observar los resultados de una sucesi on innita de ensayos independientes Bernoulli, en cada uno de los cuales la probabilidad de exito es p. Sea r 1 un n umero entero. Denimos ahora a la variable aleatoria X como el n umero de fracasos antes de obtener el r- esimo exito. Decimos entonces que X tiene una distribuci on binomial negativa con par ametros r y p, y escribimos X bin negpr, pq. Es claro que la variable X puede tomar los valores 0, 1, 2, . . . con las probabilidades dadas por la funci on de probabilidad: $ & r ` x 1 pr p1 pqx si x 0, 1, . . . x f pxq P pX xq % 0 en otro caso. En esta f ormula aparece el t ermino pr pues nos interesa observar r exitos. Por otro lado, podemos tener un n umero variable x de fracasos, de ah el ` 1 t ermino p1 pqx . Finalmente el factor r`x indica los diferentes arreglos x en los que los x fracasos y los r 1 exitos se encuentran distribu dos en r ` x 1 ensayos. Observe que el r- esimo exito debe aparecer en el ensayo r ` x. Como un ejercicio no trivial se deja al lector vericar que la funci on f pxq arriba indicada es efectivamente una funci on de probabilidad siguiendo la sugerencia que aparece en el Ejercicio 239. La gr aca de esta funci on aparece en la Figura 3.5 cuando los valores de los par ametros son r 5 y p 0.5 . Los valores de f pxq se pueden obtener en R de la siguiente forma:
n binomial negativa 3.5. Distribucio
179
# dnbinom(x,r,p) eval ua f pxq de la distribuci on bin. neg.pr, pq > dnbinom(3,5,0.5) r1s 0.1367188
x 0 1 2 3 4 5 6 7 8 9 10
f pxq 0.03125 0.078125 0.1171875 0.1367188 0.1367188 0.1230469 0.1025391 0.08056641 0.0604248 0.04364014 0.0305481
f pxq 0.2 0.1 x p 0.5 r5
1 2 3 4 5 6 7 8 9 10 Figura 3.5
No existe una expresi on compacta para la funci on de distribuci on F pxq de la distribuci on binomial negativa y por lo tanto no intentaremos escribirla. Sus valores se pueden encontrar en R usando el siguiente comando:
# pnbinom(x,r,p) eval ua F pxq de la distribuci on bin. neg.pr, pq > pnbinom(7,5,0.5) r1s 0.8061523
Es claro que la distribuci on binomial negativa es una generalizaci on de la distribuci on geom etrica. Esta u ltima se obtiene tomando r 1. Se puede adem as demostrar que 1p , p 1p VarpX q r 2 . p E pX q r
180
Por otro lado, el coeciente binomial puede extenderse para cualquier n umero real a y cualquier entero natural x de la siguiente manera: a apa 1q pa x ` 1q . (3.4) x x! Puede entonces demostrarse la siguiente identidad, de donde adquiere su nombre la distribuci on binomial negativa: r`x1 x r p1q . (3.5) x x Simulaci on 3.5 En R se pueden generar valores al azar de la distribuci on binomial negativa como se muestra en el siguiente recuadro. Asigne valores a los par ametros r y p, y genere valores al azar de esta distribuci on.
# rnbinom(k,r,p) genera k valores al azar de la distribuci on # bin. neg.pr, pq > rnbinom(25,5,0.5) r1s 1 7 7 3 1 4 2 1 3 10 4 5 3 1 11 6 7 3 5 3 9 9 6 1 7
Ejemplo 3.11 Se lanza repetidas veces una moneda honesta cuyos dos resultados son cara y cruz. Cu al es la probabilidad de obtener la tercera cruz en el quinto lanzamiento? Soluci on: sea X el n umero de caras (fracasos) antes de obtener la tercera cruz. Entonces X bin negpr, pq con r 3, p 1{2. Nos preguntan P pX 2q. Tenemos que 4 p1{2q5 6{32 0.1875 . P pX 2q 2
n binomial negativa 3.5. Distribucio
181
Ejercicios
239. Demuestre que la funci on de probabilidad de la distribuci on binomial negativa efectivamente es una funci on de probabilidad. Sugerencia: Use la identidad (3.5) on ` y la expansi a x t , a P R , | t | 1. p1 ` tqa 8 x0 x
240. Demuestre que el coeciente binomial que aparece en la distribuci on binomial negativa se puede expresar de la siguiente forma: r`x1 x r . p1q x x
241. Sea f pxq la funci on de probabilidad de la distribuci on bin negpr, pq. Demuestre que: a ) F ormula iterativa: para x 0 entero, f px ` 1q p1 pq x`r f pxq x`1
b ) f pxq es creciente de x a x ` 1 para valores enteros de x dentro del intervalo r0, pr 1qp1 pq{p 1s.
d ) f pxq tiene un m aximo en x denido como el entero m as peque no mayor o igual a pr 1qp1 pq{p 1, es decir, x rpr 1qp1 pq{p 1s. e ) f px q f px ` 1q cuando x coincide con pr 1qp1 pq{p 1. Por el inciso anterior, esto signica que f pxq tiene dos modas o m aximos, uno en x y otro en x ` 1.
c ) f pxq es decreciente de x a x ` 1 para valores enteros de x dentro del intervalo rpr 1qp1 pq{p 1, 8q.
242. Simulaci on. Sea X1 , X2 , . . . una sucesi on de v.a.s independientes con distribuci on Berppq y sea r 1 un entero. Dena X m ntn r :
n
k 1
Xk ru r.
182
3. Distribuciones de probabilidad Demuestre que X tiene distribuci on bin. neg.pr, pq. Esto permite encontrar valores al azar de la distribuci on binomial negativa a partir de valores al azar de la distribuci on Bernoulli.
243. Sea X con distribuci on bin. neg.pr, pq. Demuestre que la f.g.p. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q rp1 pq{p y VarpX q rp1 pq{p2 . r p . Gptq 1 p1 pqt 244. Sea X con distribuci on bin. negpr, pq. Demuestre que la f.g.m. de X est a dada por la expresi on que aparece abajo. A trav es de esta funci on encuentre nuevamente las expresiones E pX q rp1 pq{p y VarpX q rp1 pq{p2 . r p M ptq . 1 p1 pqet unan ciertas carac245. Muestreo. Se desea encontrar a 20 personas que re ter sticas para aplicarles un cuestionario. Si u nicamente el 1 % de la poblaci on cumple las caracter sticas requeridas y suponiendo que se consulta al azar a las personas para determinar si son adecuadas para contestar el cuestionario, determine el n umero promedio de personas que se necesita consultar para encontrar a las 20 personas solicitadas.
3.6.
Distribuci on hipergeom etrica
Esta distribuci on de probabilidad surge en el contexto de la toma de una muestra de un conjunto de objetos de dos tipos. Supongamos que tenemos N objetos dentro de una caja, de los cuales K son de un primer tipo y N K son de un segundo tipo. V ease la Figura 3.6. Los objetos del primer tipo pueden corresponder a art culos en buen estado y los del segundo tipo a art culos en mal estado, o bien a personas con una cierta caracter stica y aquellas que no poseen dicha caracter stica. Supongamos que de esta caja tomamos al azar una muestra de tama no n de tal forma que la selecci on es sin reemplazo y el orden de los objetos
n hipergeome trica 3.6. Distribucio
183
objetos tipo 1
N K objetos tipo 2
Figura 3.6 seleccionados no es relevante. As , el espacio muestral de este experimento consiste de todos los posibles subconjuntos de tama no n que se pueden ` obtener de esta colecci on de N objetos y su cardinalidad es entonces N n . Si para cada subconjunto seleccionado se dene la variable aleatoria X como el n umero de objetos seleccionados que son del primer tipo, entonces es claro que X puede tomar los valores 0, 1, 2, . . . , n. Observe que X toma el valor n si y s olo si todos los objetos escogidos son del tipo 1, mientras que toma el valor 0 cuando todos los objetos escogidos son del tipo 2. Para que tales casos puedan ocurrir supondremos que el tama no n de muestra es sucientemente peque no de tal forma que: n m n tK, N K u. (3.6)
Decimos entonces que X tiene una distribuci on hipergeom etrica con par ametros N , K y n, y escribimos X hipergeopN, K, nq. Para entender la f ormula de la funci on de probabilidad de esta distribuci on observe que ` el t ermino K establece las diferentes formas en que x objetos pueden x escogerse de la colecci o n de K objetos del tipo 1, mientras que el t ermino ` N K nx corresponde a las diferentes formas de escoger n x objetos de los N K objetos del tipo 2. Se usa entonces el principio multiplicativo para obtener el n umero total de muestras diferentes en donde x objetos son del
La probabilidad de que X tome un valor x est a dada por la siguiente expresi on: $ `K `N K x & x ` n si x 0, 1, . . . , n, N f pxq P pX xq n % 0 en otro caso.
184
primer tipo y n x objetos son del segundo tipo. No es un ejercicio f acil vericar que esta funci on de probabilidad efectivamente lo es, pero puede realizarse usando la sugerencia que aparece en el Ejercicio 246. La gr aca de esta funci on de probabilidad para N 20, K 7 y n 5 aparece en la Figura 3.7.
f pxq N 20 K7 n5 x
x 0 1 2 3 4 5
f pxq 0.08301084 0.3228199 0.3873839 0.1760836 0.02934727 0.001354489
0.4 0.3 0.2 0.1
Figura 3.7 En R pueden obtenerse los valores de f pxq como se muestra en el recuadro siguiente. Observe con cuidado la diferencia en el orden y la forma de expresar los par ametros de esta distribuci on en R: despu es del argumento x se especica el n umero de objetos K de tipo 1, despu es el n umero de objetos N K de tipo 2 y nalmente se especica el tama no de la muestra n.
# dhyper(x,K,N-K,n) eval ua f pxq de la dist. hipergeopN, K, nq > dhyper(3,7,13,5) r1s 0.1760836
Por otro lado, no presentaremos una f ormula para la funci on de distribuci on F pxq pues no tiene una expresi on compacta sencilla, sin embargo sus valores pueden encontrarse usando R mediante el siguiente comando:
# phyper(x,K,N-K,n) eval ua F pxq de la dist. hipergeopN, K, nq > phyper(3,7,13,5) r1s 0.9692982
n hipergeome trica 3.6. Distribucio
185
No es muy complicado comprobar que si X tiene distribuci on hipergeopN, K, nq, entonces K , N K N K N n VarpX q n . N N N 1 E pX q n Simulaci on 3.6 Mediante el siguiente comando en R pueden obtenerse valores al azar de la distribuci on hipergeom etrica. Asigne usted valores a los par ametros N , K y n como en el ejemplo y genere tantos valores de esta distribuci on como desee a trav es del valor de k .
# rhyper(k,K,N-K,n) genera k valores al azar de la distribuci on # hipergeopN, K, nq > rhyper(25,7,13,5) r1s 3 2 3 2 3 1 3 2 1 1 1 3 1 3 3 0 4 3 4 3 1 1 3 2 1
Ejercicios
246. Demuestre que la funci on de probabilidad de la distribuci on hipergeom etrica efectivamente es una funci on de probabilidad. Sugerencia: pa ` bqN pa ` bqK pa ` bqN K , iguale coecientes. 247. Sea X con distribuci on hipergeopN, K, nq. Demuestre que: a ) E pX q n K . N K N K N n . b ) VarpX q n N N N 1
Sugerencia: x2 xpx 1q ` x.
248. Compruebe que la distribuci on hipergeopN, K, nq se reduce a la distribuci on Berppq con p K {N cuando n 1.
186
249. Sea X con distribuci on hipergeopN, K, nq. Demuestre que la funci on de probabilidad de X converge a la funci on de probabilidad binpn, pq cuando N 8 y K 8 de tal forma que K {N p. 250. Suponga que en conjunto se tienen N1 objetos de un primer tipo, N2 objetos de un segundo tipo y N3 objetos de un tercer tipo. Suponga que se extrae al azar un subconjunto de tama no n de tal forma que 1 n m n tN1 , N1 ` N2 u. Sea X el n umero de objetos del primer tipo contenidos en la muestra. Encuentra la distribuci on de X . Soluci on: hipergeopN1 ` N2 ` N3 , N1 , nq. 251. Se pone a la venta un lote de 100 art culos de los cuales 10 son defectuosos. Un comprador extrae una muestra al azar de 5 art culos y decide que si encuentra 2 o mas defectuosos, entonces no compra el lote. Calcule la probabilidad de que la compra se efect ue. Soluci on: 0.9231433.
3.7.
Distribuci on Poisson
Supongamos que deseamos observar el n umero de ocurrencias de un cierto evento dentro de un intervalo de tiempo dado, por ejemplo, el n umero de clientes que llegan a un cajero autom atico durante la noche, o tal vez deseamos registrar el n umero de accidentes que ocurren en cierta avenida durante todo un d a. Para modelar este tipo de situaciones podemos denir la variable aleatoria X como el n umero de ocurrencia de este evento en el intervalo de tiempo dado. Es claro entonces que X puede tomar los valores 0, 1, 2, . . ., y en principio no ponemos una cota superior para el n umero de observaciones del evento. Adicionalmente supongamos que conocemos la tasa media de ocurrencia del evento de inter es, que denotamos por la letra (lambda). El par ametro es positivo y se interpreta como el n umero promedio de ocurrencias del evento por unidad de tiempo o espacio. La probabilidad de que la variable aleatoria X tome un valor entero x 0 se denir a a continuaci on. Decimos que X tiene una distribuci on Poisson con
n Poisson 3.7. Distribucio par ametro 0, y escribimos X Poissonpq cuando $ x & e si x 0, 1, . . . x! P pX xq % 0 en otro caso.
187
Puede demostrarse que la funci on f pxq arriba denida es efectivamente una funci on de probabilidad para cada valor de 0 jo, y para ello conviene recordar el desarrollo de la serie de Taylor de la funci on ex alrededor del cero, es decir, 8 xk ex . k! k 0 La forma de esta funci on de probabilidad se muestra en la Figura 3.8 cuando 2.
x 0 1 2 3 4 5 6 7 f pxq 0.1353353 0.2706706 0.2706706 0.180447 0.09022352 0.03608941 0.0120298 0.003437087 f pxq 0.3 0.2 0.1
2
x
1 2 3 4 5 6 7 8 Figura 3.8
En R pueden obtenerse los valores de f pxq usando el siguiente comando

# dpois(x,) eval ua f pxq de la distribuci on Poissonpq > dpois(3,2) r1s 0.1804470
La funci on de distribuci on F pxq para esta distribuci on, como suma de los valores de f pxq, no tiene una expresi on reducida y no la escribiremos, sin embargo sus valores pueden encontrarse con facilidad en R mediante el siguiente comando:
188
# ppois(x,) eval ua F pxq de la distribuci on Poissonpq > ppois(3,2) r1s 0.8571235
Despu es de algunos c alculos sencillos puede comprobarse que para esta distribuci on, VarpX q . E pX q ,
Simulaci on 3.7 Mediante el siguiente comando en R pueden generarse valores al azar de la distribuci on Poisson.
# rpois(k,) genera k valores al azar de la dist. Poissonpq > rpois(25,2) r1s 0 3 3 3 1 1 3 0 0 2 0 3 1 1 0 3 5 4 1 0 1 2 1 2 1
agina Ejemplo 3.12 En promedio se reciben 2 peticiones de acceso a una p web durante un minuto cualquiera. Utilice el modelo Poisson para calcular la probabilidad de que en un minuto dado: a) nadie solicite acceso a la p agina. b) se reciban mas de dos peticiones. Soluci on: sea X el n umero de peticiones por minuto y supongamos que X tiene distribuci on Poissonpq con 2. Para el primer inciso se tiene que P pX 0q e2 Para el segundo inciso, P pX 2q 1 P pX 2q 1 pP pX 0q ` P pX 1q ` P pX 2qq 20 21 22 ` ` q 1 e 2 p 0! 1! 2! 0.323 . 20 0.135 . 0!
n Poisson 3.7. Distribucio
189
Puede adem as demostrarse que cuando X binpn, pq y hacemos tender n a innito y p a cero de tal forma que el producto np se mantenga constante igual a , entonces la variable aleatoria X adquiere la distribuci on Poisson con par ametro . Este resultado sugiere que cuando n es grande, la distribuci on binomial puede ser aproximada mediante la distribuci on Poisson de par ametro np. Esto es particularmente u til pues el c alculo de probabilidades de la distribuci on binomial involucra el c alculo de factoriales y ello puede ser computacionalmente dif cil para n umeros grandes. El siguiente ejemplo ilustrar a esta situaci on. Ejemplo 3.13 En promedio uno de cada 100 focos producidos por una m aquina es defectuoso. Use la distribuci on Poisson para estimar la probabilidad de encontrar 5 focos defectuosos en un lote de 1000 focos. Soluci on: sea X el n umero de focos defectuosos en el lote de 1000 focos. Entonces X tiene distribuci on binpn, pq con n 1000 y p 1{100. Nos piden calcular 1000 p1{100q5 p99{100q995 0.0374531116 . P pX 5q 5 Usando la aproximaci on Poisson, con np 1000{100 10, P pX 5q e10 105 0.0379841747 . 5! Hemos denido a la variable aleatoria Poisson como el n umero de ocurrencias de un cierto evento dentro de un intervalo de tiempo dado, supongamos de longitud unitaria, r0, 1s. Suponga ahora que nos interesa observar las ocurrencias del evento en un intervalo de longitud diferente, por ejemplo r0, ts, con t 0. Tal conteo de ocurrencias tambi en sigue una distribuci on Poisson pero esta vez de par ametro t. Por ejemplo, si t 2, entonces el n umero de ocurrencias del evento en el intervalo r0, 2s tiene distribuci on Poissonp2q. El siguiente ejemplo ilustra esta situaci on. Ejemplo 3.14 El n umero de aviones que llegan a un aeropuerto internacional se considera como una cantidad aleatoria y se modela mediante una
190
variable aleatoria con distribuci on Poisson con una frecuencia de 3 aviones cada 10 minutos. Es decir, la unidad de medici on del tiempo son diez minutos. Entonces a) La probabilidad de que no llegue ning un avi on en un periodo de 20 minutos (dos unidades de tiempo) es P pX 0q con 3 p2q 6. b) La probabilidad de que llegue s olo un avi on en el minuto siguiente es P pX 1q con 3 p1{10q 3{10. c) La probabilidad de que lleguen dos o mas aviones en un periodo de 15 minutos es P pX 2q con 3 p1.5q 4.5. La distribuci on Poisson tiene algunas propiedades que resultan muy u tiles en su aplicaci on. La siguiente es una de ellas.
Proposici on 3.2 Sean X1 y X2 dos variables aleatorias independientes con distribuci on Poissonp1 q y Poissonp2 q, respectivamente. Entonces X1 ` X2 Poissonp1 ` 2 q. Demostraci on. Para cualquier entero x 0,
u 0 x x
P pX1 ` X2 xq
P pX1 u, X2 x uq P pX1 uq P pX2 x uq e 1
xu u 1 2 2 e u! px uq! u 0 x x p1 `2 q 1 e u x u x ! u 0 u 1 2
u 0 x
ep1 `2 q
p1 ` 2 qx . x!
n Poisson 3.7. Distribucio
191
El resultado anterior hab a sido demostrado antes en el Ejemplo 2.27 de la p agina 151 usando la propiedad de caracterizaci on u nica de la f.g.p.
Ejercicios
252. Demuestre que la funci on de probabilidad de la distribuci on Poissonpq es efectivamente una funci on de probabilidad. k Sugerencia: ex 8 k0 x {k ! 253. Sea X con distribuci on Poissonpq. Demuestre que: a ) E pX q . b ) VarpX q .
Sugerencia: x2 xpx 1q ` x.
254. Sea f pxq la funci on de probabilidad de la distribuci on Poissonpq. Demuestre que: a ) F ormula iterativa: para x 0 entero, f px ` 1q f pxq. x`1
b ) f pxq es creciente de x a x ` 1 para valores enteros de x en el intervalo r0, 1s. c ) f pxq es decreciente de x a x ` 1 para valores enteros de x en el intervalo r 1, 8q.
d ) f pxq tiene un m aximo en x denido como el entero m as peque no mayor o igual a 1, es decir, x r 1s.
e ) f px q f px ` 1q cuando x coincide con 1. Por el inciso anterior, esto signica que f pxq tiene dos modas o m aximos, uno en x y otro en x ` 1.
255. Sea X con distribuci on Poissonpq. Demuestre que la funci on generadora de probabilidad de X es la funci on Gptq que aparece abajo.
192
3. Distribuciones de probabilidad Usando esta funci on y sus propiedades demuestre nuevamente que E pX q y VarpX q . Gptq ept1q .
256. Sea X con distribuci on Poissonpq. Demuestre que la funci on generadora de momentos de X es la funci on M ptq que aparece abajo. Usando esta funci on y sus propiedades demuestre nuevamente que E pX q y VarpX q . t M ptq epe 1q . 257. Sea X1 , X2 , . . . una sucesi on de v.a.s independientes con distribuci on Berppq e independientes de N con distribuci on Poissonpq. Demuestre que la v.a. X denida a continuaci on tiene distribuci on Poissonppq. X
N
Xi .
i 1
Cuando N 0 la suma es vac a y se dene como cero. Sugerencia: Condicione sobre N . Con esto concluimos la revisi on de algunas distribuciones de probabilidad de tipo discreto. Ahora estudiaremos algunas distribuciones de probabilidad de tipo continuo. No construiremos estas distribuciones a partir de experimentos aleatorios particulares como en el caso de algunas de las distribuciones discretas, mas bien, las deniremos sin mayor justicaci on. Recordamos aqu nuevamente al lector que los par ametros de las distintas distribuciones de probabilidad pueden no ser usados de la misma forma en las distintas fuentes bibliogr acas y paquetes computacionales.
3.8.
Distribuci on uniforme continua
Decimos que una variable aleatoria X tiene una distribuci on uniforme continua en el intervalo pa, bq, y escribimos X unifpa, bq, cuando su funci on
n uniforme continua 3.8. Distribucio de densidad es
193
Esta distribuci on tiene como par ametros los n umeros a y b. La gr aca general de esta funci on se muestra en la Figura 3.9(a), y es evidente que se trata de una funci on de densidad pues es no negativa e integra uno. Aunque es una funci on muy sencilla, sus valores pueden calcularse en R de la siguiente forma:
# dunif(x,a,b) eval ua f pxq de la distribuci on unifpa, bq > dunif(2,-1,3) r1s 0.25
1 ba f pxq % 0 $ &
si x P pa, bq, otro caso.
f pxq 1 ba x a (a) b 1
F pxq
a
(b)
Figura 3.9: Distribuci on uniformepa, bq. Integrando esta funci on de densidad desde menos innito hasta un punto x cualquiera, puede encontrarse la funci on de distribuci on, la cual tiene la siguiente expresi on y cuya gr aca se muestra en la Figura 3.9(b). $ & 0 xa F pxq % ba 1 si x a, si x b.
si a x b,
Los valores de esta funci on pueden ser calculados en R usando el siguiente comando:
194
# punif(x,a,b) eval ua F pxq de la distribuci on unifpa, bq > punif(2,-1,3) r1s 0.75
Por otro lado es f acil vericar que E pX q pa ` bq{2,
VarpX q pb aq2 {12.
Observe que la esperanza corresponde al punto medio del intervalo pa, bq. Adem as la varianza o dispersi on crece cuando a y b se alejan uno del otro, y por el contrario, cuando estos par ametros estan muy cercanos, la varianza es peque na. Esta distribuci on es una de las m as sencillas y sea usa naturalmente para cuando no se conoce mayor informaci on de la variable aleatoria de inter es, excepto que toma valores continuos dentro de cierto intervalo.
Ejemplo 3.15 En el experimento aleatorio te orico de generar un n umero al azar X en un intervalo pa, bq se considera regularmente que X tiene distribuci on uniforme en dicho intervalo. Por ejemplo, algunos problemas estudiados antes sobre probabilidad geom etrica hacen uso de esta distribuci on.
Simulaci on 3.8 Pueden generarse valores al azar en R de la distribuci on uniforme continua usando el comando que aparece en el siguiente recuadro. Asigne valores de su preferencia a los par ametros a y b, y genere valores al azar de esta distribuci on.
# runif(k,a,b) genera k valores al azar de la dist. unifpa, bq > runif(5,-1,3) r1s 1.5889966 -0.1420308 2.5391841 0.4416415 0.7294366
n uniforme continua 3.8. Distribucio
195
Ejercicios
258. Sea X con distribuci on unifpa, bq. Demuestre que: a ) E pX q a`b . 2 pb aq2 . b ) VarpX q 12
259. Sea X con distribuci on unifpa, bq. Demuestre que el n- esimo momento de X est a dado por E pX n q bn ` 1 a n ` 1 . pn ` 1qpb aq
260. Sea p P p0, 1q. Encuentre una expresi on para el cuantil al 100p % de la distribuci on unifpa, bq. Soluci on: cp a ` pb aqp. 261. Sea X con distribuci on unifpa, bq. Demuestre que la funci on generadora de momentos de X es la funci on M ptq que aparece abajo. Usando esta funci on y sus propiedades demuestre nuevamente que E pX q pa`bq{2 y VarpX q pb aq2 {12. M ptq ebt eat . tpb aq
262. Simulaci on. Sea U una variable aleatoria con distribuci on unifp0, 1q. Sean a b dos constantes. Demuestre que la variable X a ` pb aqU tiene distribuci on unifpa, bq. Este es un mecanismo para obtener valores al azar de la distribuci on unifpa, bq a partir de valores al azar de la distribuci on unifp0, 1q. 263. Se escoge un n umero al azar X dentro del intervalo p0, 1q. Encuentre la probabilidad de que pX 1{2q2 , para cada 0. 264. Se escoge un n umero al azar X dentro del intervalo p1, 1q. Encuentre y graque la funci on de densidad de la variable Y X 3 .
196
265. Sea X una variable aleatoria arbitraria cuyos posibles valores est an contenidos en el intervalo pa, bq. Demuestre que: a ) a E pX q b. 1 b ) 0 VarpX q pb aq2 . 4
266. Una forma de aproximar . Escriba un programa en R para generar varias parejas al azar pa, bq con a y b con distribuci on uniforme dentro del intervalo p 0 , 1 q , independiente un valor del otro. Si ocurre que ? 2 b 1 a , entonces el punto pa, bq pertenece a la regi on sombreada de la Figura 3.10 y se considera un exito, en caso contrario se considera un fracaso. As , al repetir varias veces este procedimiento el cociente del n umero de exitos nE entre el n umero de ensayos n ser a una aproximaci on del area sombreada. Siendo esta area sombreada una cuarta parte del c rculo unitario, su area es {4. Graque la funci on n 4nE {n para n 1, 2, . . . , 100 y comente su comportamiento conforme n crece.
f pxq ? 1 x2
x 1
Figura 3.10
3.9.
Distribuci on exponencial
Decimos que una variable aleatoria continua X tiene distribuci on exponencial con par ametro 0, y escribimos X exppq, cuando su funci on de
n exponencial 3.9. Distribucio densidad es f pxq
197
ex si x 0, si x 0.
La gr aca de esta funci on cuando el par ametro toma el valor particular 3 se muestra en la Figura 3.11(a). La correspondiente funci on de distribuci on aparece a su derecha. Es muy sencillo vericar que la funci on f pxq arriba denida es efectivamente una funci on de densidad para cualquier valor del par ametro 0. Se trata pues de una variable aleatoria continua con conjunto de valores el intervalo p0, 8q. Los valores de f pxq pueden calcularse en R de la siguiente forma:
# dexp(x,) eval ua f pxq de la distribuci on exppq > dexp(0.5,3) r1s 0.6693905
3 2 1
f pxq
F pxq
3 x x
1 (a) Figura 3.11 (b)
Integrando la funci on de densidad desde menos innito hasta una valor arbitrario x se encuentra que la funci on de distribuci on tiene la expresi on que aparece abajo y cuya gr aca se muestra en la Figura 3.11(b). # 1 ex si x 0, F pxq 0 si x 0. En R la funci on F pxq se calcula usando el siguiente comando:
198
# pexp(x,) eval ua F pxq de la distribuci on exppq > pexp(0.5,3) r1s 0.7768698
Aplicando el m etodo de integraci on por partes puede comprobarse que 1 , 1 VarpX q 2 . E pX q Esta distribuci on se usa para modelar tiempos de espera para la ocurrencia de un cierto evento. Simulaci on 3.9 Pueden generarse valores al azar en R de la distribuci on exponencial usando el comando que aparece en el siguiente recuadro. Asigne un valor de su preferencia al par ametro y genere valores al azar de esta distribuci on.
# rexp(k,) genera k valores al azar de la dist. exppq > rexp(5,3) r1s 0.53847926 0.19371105 0.32025823 0.07144621 0.20201383
Ejemplo 3.16 Suponga que el tiempo en minutos que un usuario cualquiera permanece revisando su correo electr onico sigue una distribuci on exponencial de par ametro 1{5. Calcule la probabilidad de que un usuario cualquiera permanezca conectado al servidor de correo a) menos de un minuto. b) mas de una hora. Soluci on. Sea X el tiempo de conecci on al servidor de correo. Para el primer inciso tenemos que 1 1{5 ex{5 dx 0.181 . P pX 1q
0
n exponencial 3.9. Distribucio Para el segundo inciso, P pX 60q 8

60
199
1{5 ex{5 dx 0.0000061 .
Ejercicios
267. Sea X con distribuci on exponencial de par ametro . Use la denici on de esperanza y el m etodo de integraci on por partes para demostrar que: a ) E pX q 1 . 1 . 2 Sugerencia: x2 xpx 1q ` x. 268. Sea X con distribuci on exponencial de par ametro . Use la f ormula (2.16) del Ejercicio 168 para encontrar la esperanza de las variables no negativas X y pX 1{q2 y demostrar nuevamente que: a ) E pX q 1 . 1 . 2
b ) VarpX q
b ) VarpX q
269. Sea X con distribuci on exppq y sea c 0 una constante. Demuestre que cX expp{cq. 270. Sea X con distribuci on exppq. Demuestre que la funci on generadora de momentos de X es la funci on M ptq que aparece abajo. Usando esta funci on y sus propiedades demuestre nuevamente que E pX q 1{ y VarpX q 1{2 . M ptq para t . t
200
271. Sea p P p0, 1q. Encuentre el cuantil al 100p % de la distribuci on exppq. En particular, muestre que la mediana de esta distribuci on es pln 2q{.
1 lnp1 pq. Soluci on: cp
272. Propiedad de p erdida de memoria. Sea X con distribuci on exponencial de par ametro . Demuestre que para cualesquiera valores x, y 0, P pX x ` y | X y q P pX xq. on. Sea X con distribuci on exppq. Demuestre que la varia273. Discretizaci ble aleatoria discreta denida a continuaci on tiene distribuci on geoppq con p 1 e . $ si 0 X 1, & 0 1 si 1 X 2, Y % 274. Simulaci on: m etodo de la funci on inversa. Sea U una variable aleatoria con distribuci on unifp0, 1q y sea 0 una constante. Demuestre que la variable aleatoria X denida a continuaci on tiene distribuci on exppq. 1 X lnp1 U q. Este resultado permite obtener valores al azar de la distribuci on exponencial a partir de valores de la distribuci on uniforme continua. nor esta vendiendo su coche y decide aceptar la 275. Coche en venta. Un se primera oferta que exceda $50,000 . Si las ofertas son variables aleatorias independientes con distribuci on exponencial de media $45,000, encuentre: a ) el n umero de ofertas recibidas hasta vender el coche. b ) la probabilidad de que el precio de venta rebase $55,000 . c ) el precio promedio de la venta del coche.
n gama 3.10. Distribucio
201
3.10.
Distribuci on gama
La variable aleatoria continua X tiene una distribuci on gama con par ametros 0 y 0, y escribimos X gamap, q, si su funci on de densidad es $ 1 & pxq ex si x 0, pq f pxq % 0 si x 0.
La gr aca de esta funci on de densidad para varios valores de los par ametros se muestra en la Figura 3.12. En la expresi on anterior aparece el t ermino on gama y es de este hecho que la pq, el cual se conoce como la funci distribuci on adquiere su nombre. La funci on gama se dene por medio de la siguiente integral: 8 t1 et dt, pq
0
para cualquier n umero real tal que esta integral sea convergente. Para evaluar la funci on gama es necesario substituir el valor de en el integrando y efectuar la integral innita. En general, no necesitaremos evaluar esta integral para cualquier valor de , s olo para algunos pocos valores, principalmente enteros, y nos ayudaremos de las siguientes propiedades que no son dif ciles de vericar: a) p ` 1q pq. b) p ` 1q ! si es un entero positivo. c) p2q p1q 1. d) p1{2q ? .
As , a la funci on gama se le puede considerar como una generalizaci on del factorial pues coincide con este cuando el argumento es un n umero entero positivo. En R pueden obtenerse los valores de la funci on pxq mediante el comando gamma(x). Los valores de la funci on de densidad f pxq se obtienen de la siguientes forma:
202
f pxq
5 4
f pxq
1/2
1/2
5 7 10 x
(a) 5
(b) 3 Figura 3.12
# dgamma(x,shape=,rate=) eval ua f pxq de la distribuci on # gamap, q > dgamma(2.5,shape=7,rate=3) r1s 0.4101547
Observemos que la distribuci on exponencial es un caso particular de la distribuci on gama pues si en esta se toma el par ametro igual a 1, se obtiene la distribuci on exponencial de par ametro . Por otro lado, la funci on de distribuci on gama F pxq no tiene en general una expresi on compacta, pero pueden calcularse con facilidad sus valores en R mediante el comando que aparece en el siguiente recuadro. V ease el Ejercicio 283 para conocer una f ormula para F pxq en un caso particular de sus par ametros.
# pgamma(x,shape=,rate=) eval ua F pxq de la distribuci on # gamap, q > pgamma(2.5,shape=7,rate=3) r1s 0.6218453
n gama 3.10. Distribucio Resolviendo un par de integrales se puede demostrar que , VarpX q 2 . E pX q
203
Cuando el par ametro es un n umero natural n, la distribuci on gamapn, q adquiere tambi en el nombre de distribuci on Erlangpn, q y esta distribuci on puede obtenerse del siguiente resultado que es una aplicaci on inmediata de la f.g.m. y sus propiedades.
Proposici on 3.3 Sean X1 , . . . , Xn variables aleatorias independientes cada una de ellas con distribuci on exppq. Entonces X1 ` ` Xn gamapn, q. As , una variable aleatoria con distribuci on gamapn, q, cuando n es un entero positivo, puede interpretarse como el tiempo acumulado de n tiempos de espera exponenciales independientes uno seguido del otro. Este resultado tambi en indica un mecanismo para generar un valor al azar de la distribuci on gamapn, q a partir de n valores al azar de la distribuci on exppq. Simulaci on 3.10 Pueden generarse valores al azar en R de la distribuci on gama usando el comando que aparece en el siguiente recuadro. Asigne un valor de su preferencia a los par ametros y y genere valores al azar de esta distribuci on.
# rgamma(k,shape=,rate=) genera k valores al azar de la # distribuci on gamap, q > rgamma(5,shape=7,rate=3) r1s 3.170814 1.433144 2.103220 1.662244 3.025049
204
Ejercicios
276. Use la denici on de la funci on gama para demostrar que la funci on de densidad gama efectivamente lo es. 277. Sea X con distribuci on gamap, q. Use la denici on de esperanza para demostrar que: a ) E pX q . p ` 1q b ) E pX 2 q . 2 c ) VarpX q 2 .
278. Sea X con distribuci on gamap, q. Demuestre que el n- esimo momento de X es p ` 1q p ` n 1q . E pX n q n 279. Sea X con distribuci on gamap, q y sea c 0 una constante. Demuestre que cX gamap, {cq. 280. Sea X con distribuci on gamap, q. Demuestre que la funci on generadora de momentos de X es la funci on M ptq que aparece abajo. Usando esta funci on y sus propiedades demuestre nuevamente que E pX q { y VarpX q {2 . M ptq t para t .
281. Utilice la f.g.m. para demostrar que si X y Y son independientes con distribuci on gamap1 , q y gamap2 , q respectivamente, entonces X ` Y gamap1 ` 2 , q. 282. Utilice la f.g.m. para demostrar la Proposici on 3.3.
n beta 3.11. Distribucio
205
283. Sea X con distribuci on gamapn, q en donde n es un entero positivo. Use el resultado de la Proposici on 3.3 para demostrar que la funci on de distribuci on de X adquiere la siguiente expresi on: para cada x 0, F pxq 1
n 1 k 0 8 pxqk x pxqk x e e . k! k! k n
284. Demuestre las siguientes propiedades de la funci on gama. Para el u ltimo inciso podr a ayudar consultar la distribuci on normal que estudiaremos m as adelante. a ) p ` 1q pq. c ) p2q p1q 1. ? d ) p1{2q .
b ) p ` 1q ! si es un entero positivo.
3.11.
Distribuci on beta
tiene una distribuci on beta X betapa, bq, cuando su si x P p0, 1q, en otro caso.
Decimos que la variable aleatoria continua X con par ametros a 0 y b 0, y escribimos funci on de densidad es $ 1 & xa1 p1 xqb1 B pa, bq f pxq % 0
on beta, y de all adquiere su El t ermino B pa, bq se conoce como la funci nombre esta distribuci on. La funci on beta se dene como sigue: 1 B pa, bq xa1 p1 xqb1 dx,
0
para n umeros reales a 0 y b 0. Esta funci on est a relacionada con la funci on gama, antes mencionada, a trav es de la identidad: B pa, bq paq pbq . pa ` bq
206
V ease la secci on de ejercicios para una lista de propiedades de esta funci on. La gr aca de la funci on de densidad beta se muestra en la Figura 3.13 para algunos valores de sus par ametros. En R pueden calcularse los valores de f pxq de la siguiente forma:
# dbeta(x,a,b) eval ua f pxq de la distribuci on betapa, bq > dbeta(0.3,1,2) r1s 1.4
f pxq
(4) (2) (1) (3) (5)
(6)
(1) (2) (3) (4) (5) (6)
a 4, b 4 a 2, b 6 a 6, b 2 a 1{2, b 1 a 1, b 1{2 a 1, b 1
Figura 3.13 La correspondiente funci on de distribuci on no tiene una forma reducida y se escribe simplemente como sigue: $ 0 si x 0, x & 1 a1 b 1 u p1 uq du si 0 x 1, F pxq B pa, bq 0 % 1 si x 1,
y sus valores pueden calcularse en R usando el siguiente comando:
# pbeta(x,a,b) eval ua F pxq de la distribuci on betapa, bq > pbeta(0.3,1,2) r1s 0.51
n beta 3.11. Distribucio Para la distribuci on betapa, bq se puede demostrar que E pX q VarpX q a , a`b
207
ab . pa ` b ` 1qpa ` bq2
En R se pueden generar valores al azar de la distribuci on beta de manera an aloga a las otras distribuciones, esto es,
# rbeta(k,a,b) genera k valores al azar de la dist. betapa, bq > rbeta(5,1,2) r1s 0.18713260 0.07264413 0.08796477 0.15438134 0.29011107
La distribuci on beta puede obtenerse a partir de la distribuci on gama como indica el siguiente resultado cuya demostraci on omitiremos.
Proposici on 3.4 Sean X y Y dos variables aleatorias independientes con distribuci on gamapa, q y gamapb, q respectivamente. Entonces X betapa, bq. X `Y Finalmente observamos que la distribuci on betapa, bq se reduce a la distribuci on unifp0, 1q cuando a b 1.
Ejercicios
285. Demuestre las siguientes propiedades de la funci on beta. a ) B pa, bq B pb, aq. b ) B pa, 1q 1{a. c ) B p1, bq 1{b.
d ) B pa ` 1, bq
a B pa, b ` 1q. b
208 e ) B pa ` 1, bq
3. Distribuciones de probabilidad a B pa, bq. a`b b B pa, bq. f ) B pa, b ` 1q a`b g ) B p1{2, 1{2q .
286. Demuestre que si X betapa, bq, entonces 1 X betapb, aq. 287. Sea X con distribuci on betapa, bq. Demuestre que: a ) E pX q a . a`b pa ` 1qa . b ) E pX 2 q pa ` b ` 1qpa ` bq ab c ) VarpX q . pa ` b ` 1qpa ` bq2
288. Sea X con distribuci on betapa, bq. Demuestre que el n- esimo momento de X es E pX n q B pa ` n, bq pa ` n 1qpa ` n 2q a . B pa, bq pa ` b ` n 1qpa ` b ` n 2q pa ` bq
289. Encuentre una expresi on para la funci on de distribuci on F pxq de una variable aleatoria con distribuci on betapa, bq para: a ) a 0, b 1. b ) a 0, b 1.
3.12.
Distribuci on Weibull
La variable aleatoria continua X tiene una distribuci on Weibull con par ametros 0 y 0 si su funci on de densidad est a dada por la siguiente expresi on # pxq1 epxq si x 0, f pxq 0 en otro caso.
n Weibull 3.12. Distribucio
209
A la constante se le llama par ametro de forma y a se le llama par ametro de escala. Se escribe X Weibullp, q. La gr aca de la funci on de densidad para varios valores de sus par ametros se encuentra en la Figura 3.14 y su evaluaci on en R se obtiene usando el siguiente comando:
# dweibull(x,, ) eval ua f pxq de la distribuci on Weibullp, q > dweibull(2,8,2) r1s 1.471518
f pxq
4 3 2 1 1 Figura 3.14
x
f pxq
8 5 2
x
Llevando a cabo un cambio de variable (v ease el Ejercicio 291) puede demostrarse que la correspondiente funci on de distribuci on adquiere la siguiente forma simple: # 1 epxq si x 0, F pxq 0 en otro caso, cuyos valores pueden calcularse en R mediante el siguiente comando:
# pweibull(x,, ) eval ua F pxq de la distribuci on Weibullp, q > pweibull(2,8,2) r1s 0.6321206
Aplicando la denici on de la funci on gama y despu es de algunos c alculos puede encontrarse que la esperanza y varianza de una variable aleatoria X
210 con distribuci onWeibullp, q son
1 p1 ` 1{q, 1 VarpX q 2 pp1 ` 2{q 2 p1 ` 1{qq. E pX q
La distribuci on Weibull se ha utilizado en estudios de conabilidad y durabilidad de componentes electr onicos y mec anicos. El valor de una variable aleatoria con esta distribuci on puede interpretarse como el tiempo de vida u til que tiene uno de estos componentes. Cuando el par ametro toma el valor uno, la distribuci on Weibull se reduce a la distribuci on exponencial de par ametro . En R se pueden generar valores al azar de la distribuci on Weibull usando el siguiente comando:
# rweibull(k,, ) genera k valores al azar de la distribuci on # Weibullp, q > rweibull(5,8,2) r1s 1.817331 1.768006 1.993703 1.915803 2.026141
Ejercicios
290. Demuestre que la funci on de densidad Weibull efectivamente lo es. Sugerencia: u : pxq . 291. Sea X con distribuci on Weibullp, q. La correspondiente funci on de distribuc on es, para x 0, x py q1 epyq dy. F pxq
0
Efect ue el cambio de variable u py q en la integral para demostrar que # 1 epxq si x 0, F pxq 0 en otro caso, 292. Sea X con distribuci on Weibullp, q. Demuestre que: a ) E pX q 1 p1 ` 1{q.
n normal 3.13. Distribucio 1 p1 ` 2{q. 2 1 c ) VarpX q 2 pp1 ` 2{q 2 p1 ` 1{qq.
211
b ) E pX 2 q
293. Sea X con distribuci on Weibullp, q. Demuestre que el n- esimo momento de X es 1 n E pX n q n p1 ` q. 294. Invirtiendo la funci on de distribuci on encuentre el cuantil al 100p % para una distribuci on Weibullp, q. 295. Simulaci on. Sea U una variable aleatoria con distribuci on unifp0, 1q y sean 0 y 0 dos constantes. Demuestre que X
1 p lnp1 U qq1{ Weibullp, q. Este resultado permite obtener valores al azar de la distribuci on Weibull a partir de valores al azar de la distribuci on uniforme.
3.13.
Distribuci on normal
Esta es posiblemente la distribuci on de probabilidad de mayor importancia. Decimos que la variable aleatoria continua X tiene una distribuci on normal si su funci on de densidad est a dada por la siguiente expresi on , x P R, 2 2 en donde P R y 0 son dos par ametros. Escribimos entonces X 2 Np, q. La gr aca de esta funci on de densidad tiene forma de campana como se puede apreciar en la Figura 3.15, en donde se muestra adem as el signicado geom etrico de los dos par ametros. En R la evaluaci on de la funci on de densidad puede obtenerse usando el siguiente comando, aunque observe con cuidado que se usa la desviaci on 2 est andar en su parametrizaci on y no .
# dnorm(x,, ) eval ua f pxq de la distribuci on Np, 2 q > dnorm(1.5,3,2) r1s 0.1505687
f pxq ?
epxq
2 {2 2
212
f pxq
Figura 3.15 La correspondiente funci on de distribuci on es F pxq x ? 1 2 2 epyq

2 {2 2
dy,
pero resulta que esta integral es imposible de resolver y no puede encontrarse una expresi on cerrada. M as adelante explicaremos la forma en que se han encontrado valores aproximados para esta integral. En R es muy sencillo obtener tales evaluaciones aproximadas utilizando el siguiente comando:
# pnorm(x,, ) eval ua F pxq de la distribuci on Np, 2 q > pnorm(1.5,3,2) r1s 0.2266274
Por otro lado, usando integraci on por partes es posible demostrar que para una variable aleatoria X con distribuci on Np, 2 q, VarpX q 2 . Esto signica que la campana esta centrada en el valor del par ametro , el cual puede ser negativo, positivo o cero, y que la campana se abre o se cierra de acuerdo a la magnitud del par ametro 2 . El siguiente caso particular de la distribuci on normal es muy importante. E pX q ,
n normal 3.13. Distribucio Distribuci on normal est andar
213
Decimos que la variable aleatoria X tiene una distribuci on normal est andar 2 si tiene una distribuci on normal con par ametros 0 y 1. En este caso la funci on de densidad se reduce a la expresi on 1 2 f pxq ? ex {2 , 2 x P R.
El resultado importante aqu es que siempre es posible transformar una variable aleatoria normal no est andar en una est andar mediante la siguiente operaci on cuya demostraci on se pide hacer en el Ejercicio 301.
Proposici on 3.5 Sea X con distribuci on Np, 2 q. Entonces Z X Np0, 1q. (3.7)
Al procedimiento anterior se le conoce con el nombre de estandarizaci on y bajo tal transformaci on se dice que la variable X ha sido estandarizada. Este resultado parece muy modesto pero tiene una gran importancia operacional pues establece que el c alculo de las probabilidades de una variable aleatoria normal cualquiera se reduce al c alculo de las probabilidades para la normal est andar. Explicaremos ahora con m as detalle esta situaci on. Suponga que X es una variable aleatoria con distribuci on Np, 2 q y que deseamos calcular, por ejemplo, la probabilidad de que X tome un valor en el intervalo pa, bq, es decir, P pa X bq. Tenemos entonces que Ppa X bq Ppa X b q a X b Pp q a b Pp Z q. Cada una de las igualdades anteriores es consecuencia de la igualdad de los eventos correspondientes. De esta forma una probabilidad que involucra a la variable X se ha reducido a una probabilidad que involucra a Z . De
214
modo que u nicamente necesitamos conocer las probabilidades de los eventos de Z para calcular las probabilidades de los eventos de la variable X que tiene par ametros arbitrarios. En t erminos de integrales el c alculo anterior es equivalente al siguiente en donde se lleva a cabo el cambio de variable y px q{ en la integral, Ppa X bq b
a pbq{
1 2 2
epxq
2 {2 2
dx
1 2 ? ey {2 dy 2 paq{ b a Z q. Pp Usaremos la letra Z para denotar a una variable aleatoria con distribuci on normal est andar. Funci on de distribuci on Np0, 1q Es com un denotar a la funci on de distribuci on de una variable aleatoria normal est andar como pxq, es decir, pxq P pZ xq x 1 2 ? eu {2 du, 2
cuyo signicado geom etrico se muestra en la Figura 3.16(a). Como hemos mencionado antes que no es posible resolver esta integral y para evaluarla se usan m etodos num ericos para aproximar pxq para distintos valores de x. Aunque en R pueden encontrarse estos valores con el comando pnorm(x,0,1), en la parte nal del texto aparece una tabla con estos valores aproximados. Cada rengl on de esta tabla corresponde a un valor de x hasta el primer d gito decimal, las distintas columnas corresponden al segundo d gito decimal. El valor que aparece en la tabla es pxq. Por ejemplo, el rengl on marcado con 1.4 y la columna marcada con 0.05 corresponden al valor x 1.45, tenemos entonces que p1.45q 0.9265 . Abajo aparecen algunos ejemplos que ilustran el uso de esta tabla. Observe adem as que para x 3.5, la probabilidad pxq es muy cercana a uno, es decir, para esos
n normal 3.13. Distribucio
215
valores de x la campana pr acticamente ha deca do a cero en el lado derecho. Esto quiere decir que, con probabilidad cercana a uno, los valores que toma una variable aleatoria normal est andar est an comprendidos entre 3.5 y `3.5. Por otro lado, a partir del hecho de que si X tiene distribuci on normal est andar, entonces la variable X tambi en tiene distribuci on normal est andar, puede demostrarse que pxq 1 pxq. Un argumento geom etrico tambi en puede utilizarse para darse cuenta de la validez de esta igualdad. En particular, este resultado ayuda a calcular valores de pxq para x negativos en tablas de la distribuci on normal como la presentada al nal del texto en donde s olo aparecen valores positivos para x.
f pxq pxq f pxq
x x (a) (b)
Figura 3.16
Ejemplo 3.17 Use la tabla de la distribuci on normal est andar para comprobar que: 1. p1.65q 0.9505 . 2. p1.65q 0.0495 . 3. p1q 0.1587 .
216
Ejemplo 3.18 Use la tabla de la distribuci on normal est andar para encontrar el valor de x tal que: 1. pxq 0.3 . 2. pxq 0.75 . Respuestas: 1. x 0.53 2. x 0.68 on Np5, 10q. Use el proceso de estanEjemplo 3.19 Sea X con distribuci darizaci on y la tabla de la distribuci on normal est andar para comprobar que: 1. P pX 7q 0.7357 . 2. P p0 X 5q 0.2357 . 3. P pX 10q 0.0571 . A continuaci on deniremos el n umero z , el cual es usado con regularidad en las aplicaciones de la distribuci on normal. Notaci on z . Para cada valor de en el intervalo p0, 1q, el n umero z denotar a el cuantil al 100p1 q % de la distribuci on normal est andar, es decir, pz q 1 . El signicado geom etrico del n umero z se muestra en la Figura 3.16(b).
Ejemplo 3.20 Usando la tabla de la distribuci on normal est andar puede comprobarse que, de manera aproximada: a) z0.1 1.285 . b) z0.2 0.845 .
n normal 3.13. Distribucio
217
Finalmente mencionaremos que en R se pueden generar valores al azar de la distribuci on normal haciendo uso del siguiente comando:
# rnorm(k,, ) genera k valores al azar de la distribuci on # Np, 2 q > rnorm(5,3,2) r1s 3.0408942 0.5529831 2.3426471 2.0050003 0.4448412
Ejercicios
296. Demuestre que la funci on de densidad normal con par ametros y 2 tiene un m aximo absoluto en x y tiene puntos de inexi on en x . 297. Demuestre que para cualquier x 0, 8 1 x 2 2 x2 {2 eu {2 du ex {2 . e 1 ` x2 x x 298. Sea X con distribuci on Np, 2 q. Demuestre que: a ) E pX q . b ) VarpX q 2 .
299. Encuentre la moda y mediana de la distribuci on Np, 2 q. 300. Sea X con distribuci on Np, 2 q. Demuestre que la funci on generadora de momentos de X es la funci on M ptq que aparece abajo. Usando esta funci on y sus propiedades demuestre nuevamente que E pX q y VarpX q 2 . 1 2 2 M ptq et` 2 t . on. Calculando primero la funci on de distribuci on y des301. Estandarizaci pu es derivando para encontrar la funci on de densidad, o bien usando la f.g.m., demuestre los siguientes dos resultados:
218
3. Distribuciones de probabilidad a ) Si X Np, 2 q entonces Z pX q{ Np0, 1q. b ) Si Z Np0, 1q entonces X ` Z Np, 2 q.
302. Sea X con distribuci on N p5, 10q. Obtenga las siguientes probabilidades en t erminos de la funci on pxq: a ) P pX 7q b ) P pX 4q d ) P p|X 6| 1q. c ) P p|X 2| 3q.
2 q y Np , 2 q 303. Sean X y Y independientes con distribuci on Np1 , 1 2 2 respectivamente. Use la f.g.m. para demostrar que 2 2 X ` Y Np1 ` 2 , 1 ` 2 q.
304. Suponga que el tiempo de vida u til X , medido en horas, de un componente electr onico se puede modelar de manera aproximada mediante una variable aleatoria con distribuci on normal con par ametros 20, 000 hrs. y 500 hrs. a ) Cu al es la probabilidad de que el componente dure mas de 21, 000 horas? b ) Dado que el componente ha cubierto un tiempo de vida de 21, 000 horas, cu al es la probabilidad de que sobrepase 22, 000 horas funcionando? 305. Sea X una variable aleatoria con distribuci on Np0, 2 q. Calcule: a ) E |X |. b ) Var|X |.
c ) E pX 2001 q.
3.14.
Distribuci on ji-cuadrada
Decimos que la variable aleatoria continua X tiene una distribuci on jicuadrada con n grados de libertad (n entero positivo), si su funci on de densidad est a dada por la siguiente expresi on:
n ji-cuadrada 3.14. Distribucio
219
Se trata de una variable aleatoria continua con posibles valores en el intervalo p0, 8q. Esta distribuci on tiene un solo par ametro denotado aqu por la letra n, y al cual se le llama grados de libertad. A pesar de su aparente expresi on complicada, no es dif cil comprobar que f pxq es efectivamente una funci on de densidad, y para ello se utiliza la denici on de la funci on gama. La gr aca de esta funci on de densidad para varios valores de su par ametro aparece en la Figura 3.17. Sus valores en R se encuentran de la forma siguiente:
# dchisq(x,n) eval ua f pxq de la distribuci on 2 pnq > dchisq(2,3) r1s 0.2075537
1 f pxq pn{2q % 0
$ &
n{2 1 xn{21 ex{2 si x 0, 2 si x 0.
f pxq 1{2 n1 n2 n3
n4 x
Figura 3.17 Escribiremos simplemente X 2 pnq, en donde la letra griega se pronuncia ji o tambi en chi. Por lo tanto, la expresi on 2 pnq se lee ji cuadrada con n grados de libertad. La expresi on para la funci on de distri-
220
buci on no tiene una forma reducida: para x 0, F pxq x

0
1 pn{2q
n{2 1 un{21 eu{2 du, 2
y sus valores pueden calcularse en R de la forma que aparece en el siguiente recuadro. Alternativamente en la parte nal de este texto se encuentra una tabla con algunas de estas probabilidades.
# pchisq(x,n) eval ua F pxq de la distribuci on 2 pnq > pchisq(2,3) r1s 0.4275933
A trav es de la reconstrucci on de la distribuci on 2 con un par ametro diferente en la integral correspondiente, puede demostrarse sin mucha dicultad que E pX q n,
VarpX q 2n.
La distribuci on ji-cuadrada puede obtenerse como indican los varios resultados que a continuaci on enunciaremos y cuyas demostraciones se piden desarrollar en la secci on de ejercicios.
Proposici on 3.6 Si X Np0, 1q, entonces X 2 2 p1q. Es decir, el cuadrado de una variable aleatoria con distribuci on normal est andar tiene distribuci on ji-cuadrada con un grado de libertad. Vea el Ejercicio 307. Por otro lado, el siguiente resultado establece que la suma de dos variables aleatorias independientes con distribuci on ji-cuadrada tiene distribuci on nuevamente ji-cuadrada con grados de libertad la suma de los grados de libertad de los sumandos.
n ji-cuadrada 3.14. Distribucio
221
Proposici on 3.7 Sean X y Y variables aleatorias independientes con distribuci on 2 pnq y 2 pmq respectivamente, entonces X ` Y 2 pn ` mq. En el Ejercicio 313 se pide usar la f.g.m. para demostrar este resultado, el cual puede extenderse al caso cuando se tienen varias variables aleatorias independientes con distribuci on 2 . En particular, si X1 , . . . , Xn son variables independientes con distribuci on normal est andar, entonces la suma 2 2 de los cuadrados X1 ` ` Xn tiene distribuci on 2 pnq. De este modo, si conocemos una forma de simular n valores al azar de la distribuci on normal est andar, la suma de los cuadrados de los n umeros obtenidos ser a una observaci on de la distribuci on ji-cuadrada con n grados de libertad. Por u ltimo, mencionaremos el siguiente resultado el cual es utilizado en algunos procedimientos estad sticos.
Proposici on 3.8 Sean X1 , . . . , Xn variables aleatorias independientes cada una de ellas con distribuci on Np, 2 q. Entonces pn 1q S 2 2 pn 1q, 2 en donde S2
n n 1 1 2 pXi X q y X Xi . n 1 i 1 n i 1
A trav es del siguiente comando en R se pueden obtener valores al azar de la distribuci on 2 .

# rchisq(k,n) genera k valores al azar de la distribuci on # 2 pnq > rchisq(5,3) r1s 2.5946656 6.9019593 0.7172345 4.5362704 0.7995995
222
Ejercicios
306. Compruebe que la funci on de densidad de la distribuci on 2 pnq efectivamente lo es. 307. Sea X una variable aleatoria continua. Demuestre que para x 0, ? ? FX 2 pxq FX p xq FX p xq. Use este resultado para demostrar que si X Np0, 1q, entonces X 2 2 p1q. 308. Sea X con distribuci on 2 pnq. Sea c 0 una constante y dena n{2 y 2c. Demuestre que cX gamap, q. 309. Compruebe que la distribuci on gamap, q, en donde n{2 con n P N y 1{2 se reduce a la distribuci on 2 pnq. 310. Sea X con distribuci on 2 pnq. Demuestre que: a ) E pX q n. b ) E pX 2 q npn ` 2q. c ) VarpX q 2n.
311. Sea X con distribuci on 2 pnq. Demuestre qu el m- esimo momento de X es E pX m q npn ` 2q pn ` 2m 2qq 2m pm ` n{2q . pn{2q
312. Sea X con distribuci on 2 pnq. Demuestre que la funci on generadora de momentos de X es la funci on M ptq que aparece abajo. Usando esta funci on y sus propiedades demuestre nuevamente que E pX q n y VarpX q 2n. M ptq 1 1 2t n{2 para t 1{2.
n t 3.15. Distribucio
223
313. Use la f.g.m. para demostrar que si X y Y son variables aleatorias independientes con distribuci on 2 pnq y 2 pmq respectivamente, en2 tonces X ` Y pn ` mq. 314. Sea U con distribuci on unifp0, 1q. Demuestre que 2 lnpU q 2 p2q expp1{2q.
3.15.
Distribuci on t
Decimos que la variable aleatoria continua X tiene una distribuci on t con n 0 grados de libertad si su funci on de densidad est a dada por la siguiente expresi on ppn ` 1q{2q f pxq ? p1 ` x2 {nqpn`1q{2 , n pn{2q x P R.
En tal caso se escribe X tpnq, en donde n es un n umero real positivo aunque tomaremos principalmente el caso cuando n es entero positivo. La gr aca de esta funci on de densidad aparece en la Figura 3.18 y sus valores pueden calcularse en R con ayuda del siguiente comando.
# dt(x,n) eval ua f pxq de la distribuci on tpnq > dt(1,3) r1s 0.2067483
En la Figura anterior puede apreciarse el parecido de la funci on de densidad tpnq con la funci on de densidad normal est andar. En esta misma Figura est a gracada tambi en la funci on de densidad normal est andar pero esta se empalma completamente con la funci on de densidad tpnq con n 100. En el l mite cuando n 8 ambas densidades coinciden, v ease el Ejercicio 320. La funci on de distribuci on no tiene una expresi on simplicada y la dejaremos indicada como la integral correspondiente, es decir, x ppn ` 1q{2q ? F pxq p1 ` u2 {nqpn`1q{2 du, n p n { 2 q 8
224
f pxq
n 100 n3 n1
0.1 x
4 3 2 1
Figura 3.18 y cuyos valores pueden encontrarse en una tabla al nal del texto o bien en R mediante el siguiente comando:
# pt(x,n) eval ua F pxq de la distribuci on tpnq > pt(1,3) r1s 0.8044989
Llevando a cabo la integral correspondiente no es dif cil demostrar que E pX q n, VarpX q n n2
para n 2.
La distribuci on t se puede encontrar cuando se estudian ciertas operaciones entre otras variables aleatorias. Por simplicidad en la exposici on omitiremos la demostraci on de estos resultados.
Proposici on 3.9 Si X Np0, 1q y Y 2 pnq son independientes, entonces X a tpnq. Y {n
n t 3.15. Distribucio
225
En el estudio y aplicaci on de la estad stica matem atica, se necesitan realizar operaciones como la indicada en la proposici on anterior. Por otro lado, este resultado sugiere un mecanismo para generar simulaciones de los valores que toma una variable aleatoria con distribuci on tpnq. Para ello se pueden generar n observaciones de la distribuci on normal est andar, y con ello conformar una observaci on de la distribuci on 2 pnq como fue explicado antes. Se necesita una observaci on adicional de la distribuci on normal est andar que ser a el valor de X , seg un la f ormula de la proposici on anterior, se hace el cociente indicado y el resultado ser a un valor de la distribuci on tpnq. En el siguiente contexto tambi en aparece la distribuci on t.
Proposici on 3.10 Sean X1 , . . . , Xn variables aleatorias independientes cada una de ellas con distribuci on Np, 2 q. Entonces X ? tpn 1q, S{ n
n n 1 q2 . 1 Xi y S 2 pXi X en donde X n i 1 n 1 i 1
Por u ltimo mencionaremos que se pueden generar valores al azar de la distribuci on t en el paquete R usando el siguiente comando:
# rt(k,n) genera k valores al azar de la distribuci on tpnq > rt(5,3) r1s 0.06769745 -0.33693291 -0.36182444 1.68520735 -0.02326697
Ejercicios
315. Demuestre que la funci on de densidad tpnq efectivamente lo es. 316. Sea X con distribuci on tpnq. Demuestre que: a ) E pX q 0 para n 1.
226 b ) VarpX q n n2
para n 2.
318. Encuentre la mediana y moda de la distribuci on tpnq.
317. Sea X con distribuci on tpnq. Demuestre que: $ 0 si m es impar y 2 m n, & m { 2 ppm`1q{? 2q ppnmq{2q n E pX m q si m es par y 2 m n, pn{2q % no existe si m n.
319. Demuestre que no existe la f.g.m. para la distribuci on tpnq. 320. Convergencia a la dist. normal est andar. Sea f pxq la funci on de densidad tpnq. Demuestre que 1 2 l m f pxq ? ex {2 . n8 2
3.16.
Distribuci on F
La variable aleatoria continua X tiene una distribuci on F de Fisher con par ametros a 0 y b 0 si su funci on de densidad est a dada por la siguiente expresi on: $ a`b & p 2 q p a qa{2 xa{21 p1 ` a xqpa`bq{2 si x 0, b b b f pxq p a 2 q p 2 q % 0 si x 0. En este caso se escribe X Fpa, bq. Una gr aca de esta funci on de densidad aparece en la Figura 3.19, y sus valores pueden ser calculados en R usando el siguiente comando:
# df(x,n) eval ua f pxq de la distribuci on F pa, bq > df(0.5,4,10) r1s 0.669796
n F 3.16. Distribucio
227
La funci on de distribuci on no tiene una expresi on reducida y la indicaremos simplemente como la integral correspondiente, es decir, para x 0, F pxq x
b a 0 p 2 q p 2 q b p a ` 2 q
a a p qa{2 ua{21 p1 ` uqpa`bq{2 du, b b
cuyos valores en R pueden encontrarse usando el siguiente comando:
# pf(x,n) eval ua F pxq de la distribuci on F pa, bq > pf(0.5,4,10) r1s 0.2632245
Para esta distribuci on se puede demostrar que b , si b 2, b2 2b2 pa ` b 2q VarpX q , apb 2q2 pb 4q E pX q
si b 4.
f pxq
1{2 a4 b 10 x 1 2 3 4
Figura 3.19 La distribuci on F aparece como resultado de la siguiente operaci on entre variables aleatorias.
228
Proposici on 3.11 Sean X 2 paq y Y 2 pbq variables aleatorias independientes. Entonces X {a Fpa, bq. Y {b Por u ltimo, mencionaremos que se pueden generar valores al azar de la distribuci on F en el paquete R usando un comando similar a los anteriores:
# rf(k,a,b) genera k valores al azar de la distribuci on F pa, bq > rf(5,4,10) r1s 0.57341208 0.36602858 1.05682859 0.08009087 3.80035154
Ejercicios
321. Demuestre que la funci on de densidad F pa, bq es efectivamente una funci on de densidad. 322. Sea X con distribuci on F pa, bq. Demuestre que: a ) E pX q b , si b 2. b2 b2 pa ` 2q b ) E pX 2 q , si b 4. apb 2qpb 4q c ) VarpX q 2b2 pa ` b 2q , apb 2q2 pb 4q si b 4.
323. Sea X con distribuci on F pa, bq. Demuestre que el n- esimo momento de X , para 2n b, es E pX n q b n pa{2 ` nq pb{2 nq . a pa{2q pb{2q
324. Demuestre que la f.g.m. de la distribuci on F pa, bq no existe.
n F 3.16. Distribucio 325. Demuestre que si X tpnq entonces X 2 F p1, nq. 326. Demuestre que si X F pa, bq entonces 1 F pb, aq. X
229
Con esto concluimos una revisi on elemental de algunas distribuciones de probabilidad continuas. Recuerde el lector que existen muchas mas distribuciones de este tipo, algunas m as conocidas que otras, pero todas ellas u tiles como modelos probabil sticos en las muy diversas areas de aplicaci on de la probabilidad.
230
Cap tulo 4
Vectores aleatorios
Este cap tulo contiene una breve introducci on al tema de variables aleatorias multidimensionales o tambi en llamadas vectores aleatorios. Para hacer la escritura corta se consideran u nicamente vectores aleatorios de dimensi on dos, aunque las deniciones y resultados que se mencionan pueden extenderse f acilmente, en la mayor a de los casos, para vectores de dimensi on superior. Para el material que se presenta a continuaci on ser a provechoso contar con algunos conocimientos elementales del c alculo diferencial e integral en varias variables, o por lo menos mantener la calma cuando parezca que los s mbolos matem aticos no tienen ning un sentido.
4.1.
Vectores aleatorios
Un vector aleatorio de dimensi on dos es un vector de la forma pX, Y q en donde cada coordenada es una variable aleatoria. De manera an aloga podemos tener vectores aleatorios multidimensionales pX1 , . . . , Xn q. Nuevamente diremos que un vector aleatorio es discreto, o continuo, si las todas las variables aleatorias que lo conforman lo son. Por simplicidad, consideraremos u nicamente vectores aleatorios cuyas coordenadas son variables aleatorias todas discretas, o continuas, pero no mezclas de ellas. Un vector aleatorio pX, Y q puede considerarse como una funci on de en R2 como se muestra en la Figura 4.1. Es decir, el vector pX, Y q evaluado en es pX, Y qp q pX p q, Y p qq con 231
232
4. Vectores aleatorios
pX, Y q R2
pX p q, Y p qq px, y q
Figura 4.1: Vector aleatorio. posible valor px, y q. Nuevamente observe que el vector con letras may usculas pX, Y q es el vector aleatorio, mientras que el vector con letras min usculas px, y q es un punto en el plano. As , el vector pX p q, Y p qq representa la respuesta conjunta de dos preguntas o mediciones efectuadas a un mismo elemento del espacio muestral . A veces la informaci on de la que se dispone acerca de un fen omeno est a agrupada de esta forma, y reiteramos que en nuestro caso hemos mencionado u nicamente dos variables aleatorias pero vectores de dimensi on mayor son posibles. Ejemplo 4.1 Suponga que tenemos una poblaci on de mujeres y que la variable X toma el valor 1 cuando la mujer es fumadora y cero cuando no lo es. Sea Y la variable que registra el n umero de hijos de una mujer dada. Entonces el vector pX, Y q puede tomar los valores: p1, 0q, p1, 1q, p1, 2q, . . . p0, 0q, p0, 1q, p0, 2q, . . .
Para una poblaci on particular de mujeres podr amos conformar una tabla con la frecuencia de cada una de estos valores del vector, por ejemplo,
x{y 0 1 0 2 10 1 5 9 2 8 2 3 3 0 4 2 1 5 0 1
Ejemplo 4.2 Suponga que se cuenta con una poblaci on de personas que participan en un proceso de elecci on. El vector pX p q, Y p qq puede representar el nivel econ omico y la preferencia electoral de un votante .
n de probabilidad conjunta 4.2. Funcio
233
Estudiaremos a continuaci on algunas funciones asociadas a vectores aleatorios, las cuales son an alogas al caso unidimensional estudiado antes.
4.2.
Funci on de probabilidad conjunta
Estudiaremos primero el caso de vectores aleatorios discretos. La situaci on es an aloga al caso unidimensional.
Denici on 4.1 La funci on de probabilidad del vector aleatorio discreto pX, Y q, en donde X toma los valores tx1 , x2 , . . .u y Y toma los valores ty1 , y2 , . . .u, es la funci on f px, y q : R2 r0, 1s dada por # P pX x, Y y q si px, y q P tx1 , x2 , . . .u ty1 , y2 , . . .u, f px, y q 0 otro caso.
Es decir, la funci on f px, y q es la probabilidad de que la variable X tome el valor x y al mismo tiempo la variable Y tome el valor y . Tal funci on se llama tambi en funci on de probabilidad conjunta de las variables X y Y , y para enfatizar este hecho a veces se escribe fX,Y px, y q, pero en general omitiremos los sub ndices para hacer la notaci on m as corta pero asociando el valor x a la variable X y el valor y a la variable Y . Haremos uso de los sub ndices cuando sea necesario especicar las variables aleatorias en estudio. Toda funci on f px, y q de la forma anterior cumple las siguientes dos propiedades, e inversamente, toda funci on denida sobre R2 que sea cero excepto en un conjunto discreto de parejas px, y q que cumpla estas propiedades se llama funci on de probabilidad bivariada o conjunta, sin necesidad de contar con dos variables aleatorias previas que la denan. a) f px, y q 0. f px, y q 1. b)
x,y
Otra forma equivalente de presentar a la funci on de probabibilidad de un
234
vector discreto pX, Y q es a trav es de una tabla como la siguiente

x{y x1 x2 y1 f px1 , y1 q f px2 , y1 q y2 f px1 , y2 q f px2 , y2 q
Tambi en se pueden elaborar gr acas en R3 de las funciones de probabilidad bivariadas y su aspecto general se muestra en la Figura 4.2. Observe que ser a dif cil gracar funciones de probabilidad de vectores aleatorios de dimensi on 3 y superiores. f px, y q
y1 x1 x2
y2
x Figura 4.2 El c alculo de probabilidades de eventos relativos a un vector aleatorio discreto pX, Y q con funci on de probabilidad f px, y q se lleva a cabo de la siguiente forma: si A y B son dos conjuntos discretos de n umeros reales, entonces la probabilidad del evento pX P Aq X pY P B q se calcula como sigue: P pX P A, Y P B q f px, y q.
xPA y PB
Ejemplo 4.3 Considere el vector aleatorio discreto pX, Y q con funci on de densidad dada por la siguiente tabla:
x{y 1 1 0 0.3 0.4 1 0.1 0.2
235
De este arreglo se entiende que la variable X toma valores en el conjunto t1, 1u, mientras que Y toma valores en t0, 1u. Adem as, las probabilidades conjuntas est an dadas por las entradas de la tabla, por ejemplo, P pX 1, Y 0q 0.3, esto es, la probabilidad de que X tome el valor 1 y al mismo tiempo Y tome el valor 0 es 0.3. La misma informaci on puede escribirse de la siguiente manera $ 0.3 si x 1, y 0, & 0.1 si x 1, y 1, 0.4 si x 1, y 0, f px, y q P pX x, Y y q 0.2 si x 1, y 1, % 0 otro caso. Como todos estos valores son probabilidades, naturalmente son no negativos y todos ellos suman uno. Por lo tanto, f px, y q es efectivamente una funci on de probabilidad bivariada.
Ejemplo 4.4 Encontraremos la constante c que hace a la siguiente una funci on de probabilidad conjunta. " cxy si px, y q P t1, 2u t1, 2u, 0 otro caso.
f px, y q
Los posible valores del vector pX, Y q son p1, 1q, p1, 2q, p2, 1q y p2, 2q, con probabilidades respectivas c, 2c, 2c y 4c. Como la suma de estas probabilidades debe ser uno, se llega a la ecuaci on 9c 1, de donde se obtiene que c 1{9. Veamos ahora la situaci on en el caso de vectores aleatorios continuos.
236
Denici on 4.2 Sea pX, Y q un vector aleatorio continuo. Se dice que la funci on integrable y no negativa f px, y q : R2 r0, 8q es la funci on de densidad del vector pX, Y q, o bien que es la funci on de densidad conjunta de las variables X y Y si para todo par px, y q en R2 se cumple la igualdad x y f pu, v q dv du. (4.1) P pX x, Y y q
8 8
La doble integral que aparece en (4.1) representa el volumen bajo la supercie dada por la funci on f pu, v q sobre la regi on que se encuentra a la izquierda y abajo del punto px, y q. Toda funci on de densidad f px, y q de estas caracter sticas satisface las siguientes dos propiedades que son an alogas al caso discreto: a) f px, y q 0. 8 8 f px, y q dx dy 1. b)
8 8
Rec procamente, decimos que una funci on f px, y q : R2 r0, 8q es una funci on de densidad conjunta o bivariada si cumple con las dos condiciones arriba mencionadas. El aspecto general de una funci on de densidad conjunta de dos variables aleatorias continuas es el de una supercie en R3 como la que se muestra en la Figura 4.3. El c alculo de probabilidades de eventos relativos a un vector aleatorio continuo pX, Y q con funci on de densidad f px, y q se lleva a cabo de la siguiente forma: si a b y c d, entonces la probabilidad del evento pa X bq X pc Y dq se calcula como el volumen bajo la supercie f px, y q en el rect angulo pa, bq pc, dq, es decir, P pa X b, c Y dq b d
a c
f px, y q dy dx.
237
f px, y q
x Figura 4.3 Ejemplo 4.5 La siguiente funci on es una de las funciones de densidad conjunta m as sencillas. Sean a b, c d, y dena la funci on $ 1 & si a x b, c y d, pb aqpd cq f px, y q % 0 otro caso,
cuya gr aca aparece en la Figura 4.4. Se trata de una funci on constante en el rect angulo pa, bqpc, dq. Esta funci on es de densidad pues es no negativa e integra uno sobre R2 . La doble integral sobre R2 es simplemente el volumen del paralelep pedo que se muestra en la Figura 4.4. Ejemplo 4.6 Comprobaremos que la siguiente funci on es de densidad. # x ` y si 0 x, y 1, f px, y q 0 otro caso. Claramente f px, y q 0 para cualquier px, y q P R2 . Resta vericar que la funci on integra uno sobre el plano. Se puede comprobar que 11 8 8 1 1 px ` y q dxdy ` 1. f px, y q dxdy 2 2 0 0 8 8
238
f px, y q
c a b
x Figura 4.4
Ejemplo 4.7 Encontraremos la constante c para que la siguiente funci on sea de densidad. #
f px, y q
cxy 0
otro caso.
si 0 x y 1,
La constante c debe ser tal que la funci on f px, y q sea no negativa y que su integral sobre todo el plano sea uno. De esta u ltima condici on obtenemos que 8 8 f px, y q dxdy 1y
0 0
8 8
cxy dxdy
1
0
c 3 c y dy . 2 8
Por lo tanto c 8.
239
Ejercicios
327. Sean X y Y dos variables aleatorias con funci on de probabilidad conjunta dada por la siguiente tabla:
x{y 0 1 2 0 1/30 4/30 5/30 1 2/30 0 4/30 2 3/30 6/30 5/30
Encuentre: a ) P pX 0, Y 1q. b ) P pX 1, Y 1q. c ) P pX 1q. f ) P pY 1 |X 1q.
d ) P pY 2q.
h ) P pXY 2q. i ) P pY 2X q.
g ) P pXY 0q.
e ) P pX 0 |Y 2q.
j ) P pX ` Y sea imparq.
328. Se lanza un dado equilibrado dos veces consecutivas. Sea X el resultado del primer lanzamiento y sea Y el resultado del segundo lanzamiento. Encuentre la funci on de probabilidad de vector pX, X ` Y q. 329. Demuestre que las siguientes funciones son de probabilidad: # 2px`yq si x, y 1, 2, . . . a ) f px, y q 0 en otro caso. # epx`yq si x 0, y 0, b ) f px, y q 0 en otro caso. c ) Sean n P N y p1 y p2 dos probabilidades. Para valores x, y 0, 1, . . . , n tales que 0 x ` y n se dene f px, y q n! px py p1 p1 p2 qnxy . x! y ! pn x y q! 1 2
330. Encuentre el valor de la constante c para que cada una de las siguientes funciones sea de probabilidad.
240 $ &
4. Vectores aleatorios c si x, y 0, 1, . . . x ! y! f px, y q % 0 en otro caso. # cxy si 0 x, y 1, f px, y q 0 en otro caso. # c px2 ` y 2 ` z 2 q si 1 x, y, z 1, f px, y, z q 0 en otro caso. # c px ` y ` z q si 0 x, y, z 1, f px, y, z q 0 en otro caso. # c x1 xn si 0 xi 1, i 1, . . . , n, f px1 , . . . , xn q 0 en otro caso.
a)
b) c) d) e)
331. Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad $ x`y & c si x, y 0, 1, . . . x! y ! f px, y q % 0 en otro caso. a ) Encuentre el valor de la constante c. b ) Calcule P pX ` Y nq, n 0, 1, . . .
332. Sea pX, Y q un vector aleatorio continuo con funci on de densidad # c x2 y 3 si 0 x, y 1, f px, y q 0 en otro caso. a ) Encuentre el valor de la constante c. b ) Calcule P pX Y q. c ) Calcule P pX ` Y 1q.
333. Sea pX, Y q un vector aleatorio continuo con funci on de densidad # c epx`yq si 0 x y, f px, y q 0 en otro caso.
n de distribucio n conjunta 4.3. Funcio a ) Encuentre el valor de la constante c. b ) Calcule P pX 2 ` Y 2 r2 q para r 0. c ) Calcule P pX Y q para 0 1.
241
334. Un dado equilibrado se lanza dos veces. Sea X la variable aleatoria que denota el menor de estos resultados. Encuentre la funci on de probabilidad de X .
4.3.
Funci on de distribuci on conjunta
Adem as de la funci on de densidad, existe la funci on de distribuci on para un vector pX, Y q, sea este discreto o continuo, y su denici on es muy semejante al caso unidimensional.
Denici on 4.3 La funci on de distribuci on del vector pX, Y q, denotada 2 por F px, y q : R r0, 1s, se dene para cualquier par de n umeros reales px, y q de la siguiente forma: F px, y q P pX x, Y y q. La peque na coma que aparece en el lado derecho de esta igualdad signica la intersecci on de los eventos pX xq y pY y q, es decir, el n umero F px, y q es la probabilidad del evento pX xq X pY y q. M as precisamente, esta funci on debe escribirse como FX,Y px, y q, pero recordemos que omitiremos los sub ndices para mantener la notaci on simple. Tambi en aqu asociaremos la variable X con el valor x, y la variable Y con el valor y . A esta funci on on de acumulaci on de probabise le conoce tambi en con el nombre de funci lidad del vector pX, Y q, y tambi en se dice que es la funci on de distribuci on conjunta de las variables X y Y . Enunciamos a continuaci on algunas propiedades que cumple toda funci on de distribuci on conjunta. Omitiremos la demostraci on de estas propiedades pues siguen el mismo tipo de ideas que en el caso unidimensional.
242 1. l m l m F px, y q 1.
x8 y 8 x8
2.
l m F px, y q l m F px, y q 0.
y 8
3. F px, y q es continua por la derecha en cada variable. 4. F px, y q es una funci on mon otona no decreciente en cada variable. 5. Para cualesquiera n umeros a b, y c d, se cumple la desigualdad F pb, dq F pa, dq F pb, cq ` F pa, cq 0. Observe que las primeras cuatro propiedades son completamente an alogas al caso unidimensional, y puede comprobarse geom etricamente que la quinta propiedad es id entica a la siguiente probabilidad: P rpa X bq X pc Y dqs. Rec procamente, se dice que una funci on F px, y q : R2 r0, 1s es una funci on de distribuci on conjunta o bivariada si satisface las anteriores cinco propiedades. En el caso continuo supondremos que la funci on de distribuci on bivariada F px, y q puede expresarse de la siguiente forma: F px, y q x y
8 8
f pu, v q dv du,
en donde f px, y q es una funci on no negativa y corresponde a la funci on de densidad bivariada asociada. El concepto de funci on de distribuci on bivariada puede extenderse al caso de vectores multidimensionales de la siguiente forma.
Denici on 4.4 La funci on de distribuci on del vector aleatorio pX1 , . . . , Xn q es la funci on F px1 , . . . , xn q : Rn r0, 1s dada por F px1 , . . . , xn q P pX1 x1 , . . . , Xn xn q.
n de distribucio n conjunta 4.3. Funcio
243
Regresemos al caso bidimensional. Las funciones F px, y q y f px, y q son equivalentes y en nuestro caso es siempre posible encontrar una a partir de la otra. Explicaremos este procedimiento a continuaci on. De la funci on de densidad a la funci on de distribuci on. Conociendo la funci on de densidad f px, y q, se puede encontrar la funci on de distribuci on F px, y q simplemente integrando en el caso continuo o sumando en el caso discreto. Para el caso continuo tenemos x y f pu, v q dv du. F px, y q
8 8
En el caso discreto se suman todos los valores de f pu, v q para valores de u menores o iguales a x, y valores de v menores o iguales a y , es decir, F px, y q f pu, v q.
u x v y
Ejemplo 4.8 Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad
x{y 0 1 0 1/4 1/4 1 1/4 1/4
Para encontrar F px, y q se necesita calcular P pX x, Y y q para cada par de n umeros reales px, y q. El plano Cartesiano R2 puede ser dividido en cinco regiones y en cada una de ellas calcular la funci on de distribuci on. Esta es $ 0 si x 0 o y 0, & 1{4 si 0 x 1 y 0 y 1, 1{2 si 0 x 1 y y 1, F px, y q 1 {2 si 0 y 1 y x 1, % 1 si x 1 y y 1. De la funci on de distribuci on a la funci on de densidad. Rec procamente, puede encontrarse la funci on f px, y q a partir de F px, y q de la siguiente forma: en el caso continuo sabemos que f px, y q y F px, y q
244 guardan la relaci on F px, y q x y
8 8
f pu, v q dv du,
y por el teorema fundamental del c alculo tenemos entonces que f px, y q En el caso discreto, f px, y q F px, y q F px, y q. B2 F px, y q. Bx By
Ejercicios
335. Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad como indica la tabla de abajo. Encuentre y graque la correspondiente funci on de distribuci on.
x{y 0 1 2 0 1{9 1{9 1{9 1 1{9 1{9 1{9 2 1{9 1{9 1{9
336. Sea pX, Y q un vector aleatorio continuo con funci on de probabilidad como se indica abajo. Encuentre y graque la correspondiente funci on de distribuci on. # 1 si x, y P p0, 1q, f px, y q 0 en otro caso. 337. Sean F px, y q y Gpx, y q dos funciones de distribuci on bivariadas. Demuestre que para cualquier constante P r0, 1s la siguiente funci on es de distribuci on: px, y q F px, y q ` p1 qGpx, y q.
n de probabilidad marginal 4.4. Funcio
245
4.4.
Funci on de probabilidad marginal
Dada la funci on de densidad de un vector aleatorio, veremos ahora la forma de obtener la funci on de densidad de un subvector del vector aleatorio original. Veremos primero el caso bidimensional y despu es extenderemos las ideas al caso multidimensional discreto y continuo.
Denici on 4.5 Sea f px, y q la funci on de densidad del vector aleatorio continuo pX, Y q. Se dene la funci on de densidad marginal de la variable X como la siguiente integral 8 f px, y q dy. f1 pxq
8
Es decir, se integra simplemente respecto de la variable y para dejar como resultado una funci on que depende u nicamente de x. Esta funci on resultante es la funci on de densidad marginal de X , y el sub ndice 1 indica que se trata de la funci on de densidad marginal de la primera variable aleatoria del vector pX, Y q. De manera completamente an aloga, la funci on de densidad marginal de la variable Y se obtiene integrando ahora respecto de la variable x, es decir, 8 f2 py q f px, y q dx.
8
Nuevamente, el sub ndice 2 hace referencia a que esta funci on es la funci on de densidad de la segunda variable aleatoria del vector pX, Y q. En general, las funciones f1 pxq y f2 py q son distintas, aunque hay ocasiones en que pueden ser iguales. Es inmediato vericar que estas funciones de densidad marginales son efectivamente funciones de densidad univariadas. Ejemplo 4.9 Sea pX, Y q un vector aleatorio continuo con funci on de densidad f px, y q dada por f px, y q # 0 4xy si x, y P p0, 1q, otro caso.
246
Es sencillo vericar que esta funci on es efectivamente una funci on de densidad bivariada pues es no negativa e integra uno: 8 8 f px, y q dxdy 11
0 0
8 8
4xy dxdy 4
1 1 1. 2 2
Calcularemos ahora las funciones de densidad marginales f1 pxq y f2 py q. Para x P p0, 1q, 1 8 4xy dy 2x. f px, y q dy f1 pxq
8 0
Por lo tanto, f1 pxq " " 2x si x P p0, 1q, 0 otro caso.
De manera an aloga, o por simetr a, f2 py q 2y si y P p0, 1q, 0 otro caso.
Es inmediato comprobar que estas funciones son funciones de densidad univariadas. Observe que en este caso particular se cumple la identidad f px, y q f1 pxqf2 py q, lo cual expresa el importante concepto de independencia de v.a.s que hemos mencionado antes. La denici on de funci on de probabilidad marginal para vectores discretos involucra una suma en lugar de la integral, por ejemplo, f px, y q, f1 pxq
y
de manera an aloga se dene la funci on de probabilidad marginal f2 py q. Ejemplo 4.10 Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad f px, y q dada por f px, y q " px ` 2y q{30 si px, y q P t1, 2, 3u t1, 2u, 0 otro caso.
n de probabilidad marginal 4.4. Funcio
247
No es dif cil comprobar que esta funci on es una funci on de probabilidad bivariada, es decir, es no negativa y suma uno,
2 3 x ` 2y 1. 30 x1 y 1
Las funciones de probabilidad marginales f1 pxq y f2 py q son $ 8{30 si x 1, 2 & 10{30 si x 2, f1 pxq f px, y q 12 {30 si x 3, y 1 % 0 en otro caso. $ & 12{30 si y 1, 18{30 si y 2, f2 py q f px, y q % x1 0 en otro caso.
3
Estas funciones son funciones de probabilidad univariadas.
Un poco m as generalmente, la funci on de densidad marginal de la variable X1 a partir de la funci on de densidad del vector pX1 , . . . , Xn q es, en el caso continuo, 8 8 f1 px1 q f px1 , . . . , xn q dx2 dxn .
8 8
De manera an aloga se puede obtener la funci on de densidad marginal de cualquiera de las variables que componen el vector multidimensional. Y tambi en de manera an aloga se pueden calcular estas densidades marginales de vectores que son subconjuntos del vector original, por ejemplo, la funci on de densidad marginal del vector pX1 , X2 q a partir de pX1 , . . . , Xn q es 8 8 f px1 , . . . , xn q dx3 dxn . f1,2 px1 , x2 q
8 8
Otro aspecto interesante sobre estas funciones es que pueden existir distintas funciones de densidad conjuntas que producen las mismas funciones de densidad marginales. En el Ejercicio 339 se muestra esta situaci on.
248
Ejercicios
338. Encuentre las funciones de probabilidad marginales f1 pxq y f2 py q para cada una de las siguientes funciones de probabilidad conjuntas. x{y 0 1 0 1{16 4{16 # 1 5{16 6{16
a)
b ) f px, y q c ) f px, y q
ex si 0 y x,
en otro caso.
n! px py p1 p1 p2 qnxy , x! y ! pn x y q! 1 2
en donde n P N, p1 y p2 son dos probabilidades y x, y 0, 1, . . . , n tales que 0 x ` y n. 339. Varias conjuntas, mismas marginales. Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad dada por la tabla que aparece abajo. Compruebe que para cualquier valor de los par ametros y p tales que 0 p 1{2 y p1 2pq{p1 pq 1, las correspondientes funciones de probabilidad marginales son Berppq. x{y 0 1 0 p1 pq p1 qp1 pq 1 p1 qp1 pq p p1 qp1 pq
4.5.
Funci on de distribuci on marginal
Ahora veremos la forma de obtener la funci on de distribuci on de un subvector a partir de la funci on de distribuci on del vector aleatorio original. Nuevamente consideraremos primero el caso bidimensional y despu es veremos el caso de dimensiones mayores.
n de distribucio n marginal 4.5. Funcio
249
Denici on 4.6 Sea pX, Y q un vector aleatorio, continuo o discreto, con funci on de distribuci on F px, y q. La funci on de distribuci on marginal de la variable X se dene como la funci on de una variable F1 pxq l m F px, y q,
y 8
La correspondiente funci on de distribuci on marginal de la variable Y se dene como la funci on F2 py q l m F px, y q.

x8
Estos l mites siempre existen pues la funci on de distribuci on conjunta es acotada y no decreciente en cada variable. No es dif cil comprobar que estas funciones de distribuci on marginales son efectivamente funciones de distribuci on univariadas. Para un vector de dimensi on tres pX, Y, Z q, a partir de FX,Y,Z px, y, z q y tomando los l mites necesarios, pueden obtenerse, por ejemplo, las funciones de distribuci on marginales FX,Y px, y q, FX,Z px, z q, FX pxq. En efecto, para el u ltimo caso tenemos que FX pxq l m l m FX,Y,Z px, y, z q.
y 8 z 8
M as generalmente, a partir de la funci on de distribuci on de un vector pX1 , . . . , Xn q se puede obtener de manera an aloga la funci on de distribuci on de cualquier subvector. Ahora que conocemos la forma de obtener las funciones de densidad y de distribuci on marginales a partir de las correspondientes funciones conjuntas, podemos enunciar con precisi on el concepto de independencia entre variables aleatorias. Veremos en la siguiente secci on este importante concepto el cual resulta ser una hip otesis recurrente en los procedimientos de la estad stica matem atica y otras areas de aplicaci on de la probabilidad.
Ejercicios
340. Sean X y Y dos variables aleatorias discretas con funci on de probabilidad conjunta dada por la tabla que aparece abajo. Encuentre la
250
4. Vectores aleatorios funci on de distribuci on conjunta FX,Y px, y q y a partir de ella encuentre las funciones de distribuci on marginales FX pxq y FY py q.
x{y 0 1 0 1/8 2/8 1 2/8 3/8
341. Encuentre las funciones de distribuci on marginales F1 pxq y F2 py q para cada una de las siguientes funciones de distribuci on conjuntas. En cada caso graque F px, y q, F1 pxq y F2 py q. a ) Si a b y c d, entonces $ 0 & 1{2 3{4 F px, y q 3{4 % 1 b ) F px, y q # 0 si si si si si xa o y c, a x b, c y d, a x b, y d, x b, c y d, x b, y d.
p1 ex qp1 ey q si x, y 0,
en otro caso.
4.6.
Independencia de variables aleatorias
Sea X1 , . . . , Xn una colecci on de variables aleatorias con funci on de distribuci on conjunta F px1 , . . . , xn q. Suponga que las respectivas funciones de distribuci on marginales son F1 px1 q, . . . , Fn pxn q. Denici on 4.7 Se dice que las variables aleatorias X1 , . . . , Xn son independientes si para cualesquiera n umeros reales x1 , . . . , xn se cumple la igualdad F px1 , . . . , xn q F1 px1 q Fn pxn q.
251
Alternativamente, puede denirse la independencia en t erminos de la funci on de densidad como sigue f px1 , . . . , xn q f1 px1 q f2 pxn q. Nuevamente esta igualdad debe vericarse para cualesquiera valores x1 , . . ., xn . Puede demostrarse que las dos condiciones anteriores son equivalentes. En el caso particular cuando las variables aleatorias son discretas, la condici on de independencia se escribe de la forma siguiente: para cualesquiera n umeros x1 , . . . , xn , P pX1 x1 , . . . , Xn xn q P pX1 x1 q P pXn xn q. Ejemplo 4.11 Sean X y Y dos variables aleatorias continuas con funci on de densidad conjunta f px, y q dada por " xy e si x, y 0, f px, y q 0 otro caso. Pueden calcularse las funciones de densidad marginales y encontrar que " y " x e si y 0, e si x 0, y f2 py q f1 pxq 0 otro caso. 0 otro caso, Se verica entonces que f px, y q f1 pxqf2 py q para cualesquiera n umeros reales x y y , y ello demuestra la independencia de las variables X y Y . on Ejemplo 4.12 Sean X y Y dos variables aleatorias discretas con funci de probabilidad f px, y q dada por " 1{4 si x, y P t0, 1u, f px, y q 0 otro caso. Las funciones de probabilidad marginales son " " 1{2 si x P t0, 1u, 1{2 si y P t0, 1u, f1 pxq y f2 py q 0 otro caso, 0 otro caso. Por lo tanto f px, y q f1 pxqf2 py q para cualesquiera n umeros reales x y y , y se concluye entonces que X y Y son independientes.
252
Adicionalmente tenemos la siguiente extensi on del concepto de independencia de variables aleatorias.
Denici on 4.8 Se dice que un conjunto innito de variables aleatorias es independiente si cualquier subconjunto nito de el lo es.
Este es el sentido en el que una sucesi on innita de variables aleatorias independientes debe entenderse. Tal hip otesis aparece, por ejemplo, en el enunciado de la ley de los grandes n umeros y el teorema central del l mite que estudiaremos m as adelante.
Ejercicios
342. Sean X y Y dos variables aleatorias discretas cuya funci on de probabilidad conjunta admite la descomposici on P pX x, Y y q g pxq hpy q, para ciertas funciones g pxq y hpy q. a ) Exprese P pX xq y P pY y q en t erminos de g pxq y hpy q. b ) Demuestre que p x g pxqq p y hpy qq 1. c ) Demuestre que X y Y son independientes. 343. Sean X y Y dos variables aleatorias independientes con distribuci on geom etrica de par ametros p y q respectivamente. Calcule: a ) P pX Y q. b ) P pX Y q. 344. Sea X1 , X2 , . . . una sucesi on de variables aleatorias independientes cada una con la misma distribuci on Berppq, e independientes de otra variable aleatoria N con distribuci on Poissonpq. Demuestre que X
i 1 N
Xi Poissonppq.
253
Cuando N 0 la suma es vac a y se dene esta como cero. Si N representa el n umero de delitos ocurridos de los cuales s olo la fracci on p son reportados a la autoridad, entonces X representa el n umero de delitos reportados. 345. El siguiente ejemplo muestra que la condici on VarpX ` Y q VarpX q` VarpY q no es suciente para concluir que X y Y son independientes. Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad dada por la siguiente tabla x{y 1 0 1 1 1{8 0 1{8 0 0 1{2 0 1 1{8 0 1{8
Compruebe que se cumple la igualdad VarpX ` Y q VarpX q` VarpY q y que X y Y no son independientes. 346. Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad f px, y q dada por la siguiente tabla.
xzy 0 1 2 0 0.1 0.1 0.1 1 0.2 0 0.1 2 0.1 0.1 0.2
a ) Graque f px, y q y demuestre que efectivamente se trata de una funci on de probabilidad. b ) Calcule y graque las densidades marginales f1 pxq y f2 py q. Verique que ambas son efectivamente funciones de probabilidad. d ) Calcule y graque las distribuciones marginales F1 pxq y F2 py q. Verique que ambas son efectivamente funciones de distribuci on. e ) Son X y Y independientes? 347. Sea pX, Y q un vector aleatorio continuo con distribuci on uniforme en el cuadrado p1, 1q p1, 1q. c ) Calcule y graque la funci on de distribuci on conjunta F px, y q.
254
4. Vectores aleatorios a ) Graque f px, y q y demuestre que efectivamente se trata de una funci on de densidad. b ) Calcule y graque las densidades marginales f1 pxq y f2 py q. Verique que ambas son efectivamente funciones de densidad. d ) Calcule y graque las distribuciones marginales F1 pxq y F2 py q. Verique que ambas son efectivamente funciones de distribuci on. e ) Son X y Y independientes? c ) Calcule y graque la funci on de distribuci on conjunta F px, y q.
348. Determine si las siguientes funciones de densidad corresponden a variables aleatorias independientes. a)
x{y 0 1 x{y 0 1 2 x{y 0 1 2 3 0 1/4 1/4 0 1/30 4/30 3/30 0 1/60 2/60 3/60 4/60 1 1/4 1/4 1 2/30 5/60 3/30 1 2/60 4/60 6/60 8/60 2 3/30 6/30 3/30 2 3/60 6/60 9/60 12/60
b)
c)
d)
f px, y q f px, y q
# #
4xy si 0 x, y 1, otro caso. x ` y si 0 x, y 1, otro caso. 8xyz si 0 x, y, z 1, otro caso.
e)
f)
f px, y, z q f px, y, z q
0 # #
g)
x2 ` y 2 ` z 2 si 0 x, y, z 1, otro caso.
n condicional 4.7. Distribucio # 2n x1 xn si 0 xi 1, i 1, . . . , n, otro caso.
255
h)
f px1 , . . . , xn q
4.7.
Distribuci on condicional
Esta denici on puede extenderse al caso de funciones de probabilidad o de densidad y tambi en para el caso de funciones de distribuci on. En esta secci on enunciaremos tales extensiones.
Recordemos que la probabilidad condicional de un evento A dado un evento B est a dada por P pA X B q P pA | B q . P pB q
Denici on 4.9 Sea pX, Y q un vector aleatorio discreto (o continuo) y con funci on de probabilidad (o de densidad) fX,Y px, y q. Sea y un valor de la variable Y tal que fY py q 0. A la funci on x fX |Y px|y q denida a continuaci on se le llama la funci on de probabilidad (o densidad) de X dado que Y y , fX,Y px, y q . (4.2) fX |Y px|y q fY py q Observe que a la funci on dada por (4.2) se le considera como una funci on de x y que el valor de y es jo y puede consider arsele como una par ametro de dicha funci on, es decir, para cada valor jo de y se tiene una funci on diferente. En el caso discreto la expresi on (4.2) es efectivamente la denici on de probabilidad condicional fX |Y px|y q P pX x, Y y q , P pY y q
sin embargo, recordemos que en el caso continuo las expresiones fX,Y px, y q y fY py q no son probabilidades. Sumando o integrando sobre los posible valores x, es inmediato comprobar que la funci on dada por (4.2) es efectivamente
256
una funci on de probabilidad o de densidad. Observe adem as que cuando X y Y son independientes, fX |Y px|y q fX pxq. Ejemplo 4.13 Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad dada por la siguiente tabla: x{y 0 1 0 0.1 0.1 1 0.1 0.2 2 0.2 0.1 3 0.1 0.1
Calcularemos la funci on de probabilidad condicional fX |Y px|y q para y 1. Sumando las probabilidades de la columna correspondiente a y 1 se encuentra que fY p1q 0.3. Por lo tanto, siguiendo la f ormula de la expresi on (4.2) tenemos que $ 1{3 si x 0, fX,Y px, 1q & 2{3 si x 1, fX |Y px|1q % fY p1q 0 en otro caso.
De manera an aloga pueden calcularse fX |Y px|0q, fX |Y px|2q, fX |Y px|3q, y tambi en fY |X py |0q y fY |X py |1q. Ejemplo 4.14 Sea pX, Y q un vector aleatorio continuo con funci on de densidad dada por # x ` y si 0 x 1, 0 y 1, fX,Y px, y q 0 en otro caso.
Calcularemos la funci on de probabilidad condicional fX |Y px|y q para cada y en el intervalo p0, 1q. Integrando sobre x tenemos que la funci on de densidad marginal de Y es # 1 2 ` y si 0 y 1, fY py q 0 en otro caso.
n condicional 4.7. Distribucio
257
Por lo tanto, para cada y P p0, 1q jo, la funci on de densidad condicional de X dado Y y est a dada por fX,Y px, y q x fX |Y px|y q fY py q #
x`y 1{2`y
si 0 x 1, en otro caso.
De manera an aloga puede calcularse y fY |X py |xq para cada x P p0, 1q. La f ormula (4.2) puede extenderse de manera an aloga al caso de vectores de dimensi on mayor. Por ejemplo, para un vector aleatorio de dimensi on tres pX, Y, Z q pueden calcularse funciones de densidad condicionales como fX |,Y,Z px|y, z q o fX,Z |Y px, z |y q. Veamos ahora la extensi on al caso de funciones de distribuci on.
Denici on 4.10 Sea pX, Y q un vector aleatorio con funci on de probabilidad o densidad fX,Y px, y q. Sea y un valor de Y tal que fY py q 0. on de distribuci on condicional de X dado Y y es la funci on La funci $ fX |Y pu|y q en el caso discreto, & u x x FX |Y px|y q fX |Y pu|y q du en el caso continuo. %
8
De esta forma la funci on de distribuci on condicional se calcula como la suma o integral de la correspondiente funci on de probabilidad o densidad condicional. Nuevamente observamos que cuando X y Y son independientes,
FX |Y px|y q FX pxq.
258
Ejercicios
349. Sea pX, Y q un vector aleatorio discreto con funci on de probabilidad dada por la siguiente tabla: x{y 0 1 2 0 0.1 0.05 0.05 1 0.05 0.2 0.05 2 0.1 0.1 0.3
Calcule las siguiente funciones: a ) fX |Y px | 0q. b ) fX |Y px | 1q. c ) fX |Y px | 2q. d ) FX |Y px | 0q. e ) FX |Y px | 1q. f ) FX |Y px | 2q.
350. Sea pX, Y q un vector aleatorio continuo con funci on de densidad fX,Y px, y q # 0 6x2 y si 0 x 1, 0 y 1, en otro caso.
Calcule las siguiente funciones: a ) fX |Y px | y q, 0 y 1. c ) FX |Y px | y q, 0 y 1.
b ) fY |X py | xq,
0 x 1.
d ) FY |X py | xq,
0 x 1.
351. Se lanza un dado equilibrado dos veces. Sea X el resultado del primer lanzamiento y sea Y el mayor de los dos resultados. a ) Encuentre la funci on de probabilidad conjunta de X y Y . b ) Calcule las funciones fY
| X py | x
3q y fX | Y px | y 3q.
4.8. Esperanza condicional
259
4.8.
Esperanza condicional
Deniremos a continuaci on el valor esperado de una variable aleatoria dado que un evento ha ocurrido para otra variable aleatoria cuando se conoce la distribuci on conjunta de las dos variables.
Denici on 4.11 Sea pX, Y q un vector aleatorio continuo con funci on de densidad fX,Y px, y q y sea y un valor tal que fY py q 0. La esperanza condicional de X dado Y y es la esperanza de la funci on de densidad condicional fX |Y px|y q, cuando existe, es decir, E pX | Y y q 8
8
x fX |Y px|y q dx.
Efectuando un cambio en el orden de las integrales es inmediato comprobar que E pX q

8 8
E pX | Y y q fY py q dy,
cuya forma recuerda el teorema de probabilidad total, pero esta vez en t erminos de esperanzas. En el caso cuando el vector pX, Y q es discreto la denici on es an aloga: E pX | Y y q x fX |Y px|y q
x
x P pX x | Y y q,
suponiendo nuevamente que fY py q 0 y que la suma indicada es absolutamente convergente. Y nuevamente, efectuando un cambio en el orden de las sumas se encuentra la expresi on E pX | Y y q P pY y q. E pX q
y
En cualquier caso observe adem as que cuando X y Y son independientes, E pX | Y y q E pX q.
260
Ejercicios
352. Un experimento consiste en lanzar un dado equilibrado repetidas veces hasta obtener alguno de los resultados por segunda vez. Encuentre el n umero esperado de lanzamientos en este experimento. 353. Sea pX, Y q una vector aleatorio discreto con funci on de probabilidad como aparece en la tabla de abajo. Calcule E pX | Y 0q, E pX | Y 1q y E pX | Y 2q. Verique adem as que se cumple la identidad E pX q
2
y 0
E pX | Y y q P pY y q. 0 1{10 1{10 1 1{4 1{4 2 1{10 2{10
x{y 0 1
354. Se lanza un dado equilibrado dos veces consecutivas. Sea X el resultado del primer lanzamiento y sea Y el resultado del segundo lanzamiento. Calcule E pX | X ` Y 6q. 355. Para cada y en p0, 1q calcule la esperanza condicional E pX | Y y q cuando X y Y tienen funci on de densidad conjunta # 12x2 si 0 x y 1, fX,Y px, y q 0 en otro caso. 356. Sea X con distribuci on Poissonpq en donde es una variable aleatoria con distribuci on unift1, 2u. Condicionando sobre el valor de encuentre E pX q. 357. Sea X con distribuci on binpN, pq en donde N es una variable aleatoria con distribuci on unift1, 2u. Condicionando sobre el valor de N encuentre E pX q.
4.9. Covarianza
261
358. Sea X1 , X2 , . . . una sucesi on de variables aleatorias independientes e id enticamente distribu das con media y varianza nitas, e independientes de otra variable N con valores 1, 2, . . . y con esperanza y varianza nitas. Dena la variable aleatoria S
N
Xi .
i 1
Condicionando sobre el valor de N y usando las hip otesis de independencia demuestre que: a ) E pS q E pN q E pX q.
b ) VarpS q VarpN q E 2 pX q ` VarpX q E pN q.
4.9.
Covarianza
Sean X y Y dos variables aleatorias con esperanza nita y con funci on de densidad o de probabilidad conjunta f px, y q. La covarianza entre X y Y es un n umero real que se denota por CovpX, Y q y se dene como la esperanza de la variable aleatoria pX E pX qqpY E pY qq. Denici on 4.12 La covarianza entre las variables aleatorias X y Y es el n umero real CovpX, Y q E rpX E pX qqpY E pY qqs. Como veremos m as adelante, la covarianza est a estrechamente relacionada con otro concepto que se dene para dos variables aleatorias llamado coeciente de correlaci on, y para el cual se cuenta con una interpretaci on bastante clara. Dejaremos entonces la interpretaci on de la covarianza en t erminos del coeciente de correlaci on. Explicaremos ahora la forma de calcular la covarianza seg un la denici on anterior. Cuando X y Y son variables
262
aleatorias discretas la covarianza se calcula de la forma siguiente: px E pX qqpy E pY qq f px, y q, CovpX, Y q

x,y
en donde, observe, la suma es doble, se suma sobre todos los posibles valores x y tambi en sobre todos los posibles valores y . En el caso cuando las variables aleatorias son continuas se tiene que 8 8 px E pX qqpy E pY qq f px, y q dxdy. CovpX, Y q
8 8
Desarrollando el producto que aparece en la denici on de covarianza y aplicando la linealidad de la esperanza se encuentra que la covarianza puede calcularse tambi en como indica la siguiente f ormula: CovpX, Y q E pXY q E pX qE pY q. Por otro lado, a partir de la denici on misma de covarianza, o a partir de la f ormula reci en enunciada, es inmediato observar que la covarianza es sim etrica, es decir, CovpX, Y q CovpY, X q. Otra propiedad interesante y f acil de obtener se encuentra cuando se calcula la covarianza entre una variable aleatoria X y ella misma, en este caso la covarianza se reduce a la varianza de X . Es posible demostrar tambi en que si X y Y son independientes, entonces CovpX, Y q 0. El rec proco es en general falso, es decir, el hecho de que la covarianza sea cero no implica necesariamente que las variables aleatorias en cuesti on sean independientes. Por u ltimo, recordemos que hemos mencionado que la varianza de la suma de dos variables aleatorias no es, en general, la suma de las varianzas, sin embargo se cuenta con la siguiente f ormula general la cual puede ser encontrada a partir de la denici on de varianza y se deja como ejercicio al lector. VarpX ` Y q VarpX q ` VarpY q ` 2 CovpX, Y q. En la siguiente secci on demostraremos adem as que a a VarpX q VarpY q CovpX, Y q ` VarpX q VarpY q.
4.9. Covarianza
263
Ejercicios
359. Calcule la covarianza entre X y Y cuando estas variables tienen distribuci on conjunta como se indica en cada inciso: a ) f px, y q est a dada por la siguiente tabla: x{y 0 1 0 1/4 1/4 1 1/4 1/4
360. Propiedades de la covarianza. Demuestre con detalle las siguientes propiedades de la covarianza: a ) CovpX, Y q E pXY q E pX qE pY q. b ) CovpX, Y q CovpY, X q, c ) CovpX, cq Covpc, X q 0,
$ & 3x si 0 x y 1, 3y si 0 y x 1, b ) f px, y q % 0 otro caso.
(simetr a). c constante. c constante. c constante.
d ) CovpcX, Y q CovpX, cY q c CovpX, Y q,
e ) CovpX ` c, Y q CovpX, Y ` cq CovpX, Y q,
f ) CovpX1 ` X2 , Y q CovpX1 , Y q ` CovpX2 , Y q, Esta propiedad junto con la anterior y la simetr a establecen que la covarianza es una funci on lineal en cada variable.
h ) Si X y Y son independientes entonces CovpX, Y q 0. En consecuencia, cuando se cumple la hip otesis de independencia se tiene que VarpX ` Y q VarpX q ` VarpY q. Es u til observar tambi en que la propiedad enunciada proporciona un mecanismo para comprobar que dos variables aleatorias no son independientes pues, si sabemos que CovpX, Y q 0 podemos entonces concluir que X y Y no son independientes. i ) En general, CovpX, Y q 0 X, Y independientes.
g ) VarpX ` Y q VarpX q ` VarpY q ` 2 CovpX, Y q.
264
361. Sean X y Y variables aleatorias con valores en el intervalo ra, bs. Demuestre que 1 |CovpX, Y q| pb aq2 . 4
4.10.
Coeciente de correlaci on
Habiendo denido la covarianza podemos ahora dar la denici on del coeciente de correlaci on entre dos variables aleatorias. Supondremos que tales variables aleatorias tienen esperanza y varianza nitas.
Denici on 4.13 El coeciente de correlaci on entre las variables aleatorias X y Y con varianzas nitas distintas de cero se dene como el n umero CovpX, Y q . pX, Y q a VarpX qVarpY q Al n umero pX, Y q se le denota tambi en por X,Y , en donde es la letra griega ro. El lector puede observar inmediatamente que la diferencia entre la covarianza y el coeciente de correlaci on radica u nicamente en que este u ltimo se obtiene al dividir la covarianza por el producto de las desviaciones est andar de las variables aleatorias. Puede demostrarse que este cambio de escala tiene como consecuencia que el coeciente de correlaci on tome como valor m aximo 1, y como valor m nimo 1, es decir, Proposici on 4.1 El coeciente de correlaci on entre dos variables aleatorias X y Y con varianzas nitas distintas de cero satisface las siguientes dos desigualdades: 1 pX, Y q 1. V ease el ejercicio 363 para una demostraci on de este resultado. Explicaremos
n 4.10. Coeficiente de correlacio
265
ahora la interpretaci on del coeciente de correlaci on. Cuando X y Y son tales que pX, Y q 1, entonces existen constantes a y b, con a positiva tales que Y aX ` b, es decir, se puede establecer una dependencia lineal directa entre las dos variables aleatorias. En el otro caso extremo, cuando pX, Y q 1, entonces nuevamente existen constantes a y b, pero ahora con a negativa, tales que Y aX ` b. De nuevo, se trata de una relaci on lineal entre las dos variables aleatorias pero ahora tal relaci on es inversa en el sentido de que cuando una de las variables aleatorias crece la otra decrece. De esta forma el coeciente de correlaci on es una medida del grado de dependencia lineal entre dos variables aleatorias. Existen varias formas en que dos variables aleatorias pueden depender una de otra, el coeciente de correlaci on no mide todas estas dependencias, u nicamente mide la dependencia de tipo lineal. As , hemos mencionado que cuando el coeciente de correlaci on es `1, o 1, la dependencia lineal es exacta. Como en el caso de la covarianza, puede demostrarse que si dos variables aleatorias son independientes, entonces el coeciente de correlaci on es cero, y nuevamente, el rec proco es en general falso, es decir, la condici on de que el coeciente de correlaci on sea cero no es suciente para garantizar que las variables aleatorias sean independientes, excepto en el caso cuando las variables tienen distribuci on conjunta normal.
Ejercicios
362. Calcule el coeciente de correlaci on entre X y Y cuando estas variables tienen distribuci on conjunta como se indica en cada inciso: a ) f px, y q est a dada por la siguiente tabla: x{y 0 1 0 1/4 1/4 1 1/4 1/4
363. Demuestre las siguientes armaciones y a partir de ellas demuestre que el coeciente de correlaci on pX, Y q u nicamente toma valores en
$ & 3x si 0 x y 1, 3y si 0 y x 1, b ) f px, y q % 0 otro caso.
266 el intervalo r1, 1s.
364. Otras propiedades del coeciente de correlaci on. Demuestre las siguientes propiedades. a ) pX, X q 1.
` Y X à 2p1 ` pX, Y qq. 0 Var a VarpX q VarpY q ` X Y 0 Var a 2p1 pX, Y qq. a VarpX q VarpY q
b ) pX, X q 1.
d ) pcX, Y q pX, cY q signopcq pX, Y q, e ) pX ` c, Y q pX, Y ` cq pX, Y q, f ) pX, aX ` bq signopaq,
c ) pX, Y q pY, X q.
c constante.
c 0 constante.
a 0, b constantes.
Cap tulo 5
Teoremas l mite
En este u ltimo cap tulo estudiaremos dos de los teoremas l mite m as importantes en la probabilidad: la ley de los grandes n umeros y el teorema central del l mite. Mostraremos algunos ejemplos del uso y aplicaci on de estos resultados.
5.1.
Desigualdad de Chebyshev
Este resultado es de caracter te orico y proporciona una cota superior para la probabilidad de que una variable aleatoria tome un valor que diste de su media en mas de un factor de su desviaci on est andar.
Proposici on 5.1 (Desigualdad de Chebyshev) Sea X una variable aleatoria con media y varianza nita 2 . Para cualquier n umero real 0, 2 (5.1) P p|X | q 2 .
Demostraci on.
Supongamos primero que X es continua con funci on de 267
268 densidad f pxq. Entonces 2 8

2
5. Teoremas l mite
px q2 f pxq dx px q2 f pxq dx f pxq dx
|x|
2 P p|X | q. Despejando la probabilidad encontrada se obtiene el resultado. La demostraci on es enteramente an aloga en el caso cuando X es discreta, para ello debe reemplazarse la integral por el s mbolo de suma. Observemos que el par ametro que aparece en la desigualdad de Chebyshev debe ser en realidad estrictamente mayor a 2 pues de lo contrario, si 0 2 , entonces 2 {2 1 y tal cantidad no proporciona ninguna informaci on u til como cota superior para una probabilidad. Es tambi en interesante observar que la desigualdad de Chebyshev es optima en el sentido de que sin hip otesis adicionales puede alcanzarse la cota superior. En el Ejercicio 369 se pide comprobar este hecho en un caso particular. Haremos uso de la desigualdad de Chebyshev m as adelante para demostrar la ley d ebil de los grandes n umeros.
|x|
Ejercicios
365. Bajo las mismas condiciones y notaci on del enunciado de la desigualdad de Chebyshev, demuestre directamente las siguientes versiones: a ) P p|X | q 1 b ) P p|X | q 2 . 2
1 . 2 1 . 2
c ) P p|X | q 1
366. Desigualdad de Markov. Demuestre cada uno de los siguientes resultados. A cualquier de ellos se le llama desigualdad de Markov.
5.1. Desigualdad de Chebyshev
269
a ) Sea X una variable aleatoria no negativa y con esperanza nita . Demuestre que para cualquier constante 0, P pX q . (5.2)
Sugerencia: utilice la misma t ecnica que se us o para demostrar la desigualdad de Chebyshev, esta vez empiece escribiendo la denici on de esperanza para una variable aleatoria continua no negativa. b ) Sea X una variable aleatoria no negativa y con n- esimo momento nito. Demuestre que para cualquier constante 0, P pX q E pX n q . n
c ) Sea X una variable aleatoria y sea : R r0, 8q una funci on mon otona no decreciente tal que E ppX qq 8. Demuestre que para cualquier constante 0, P pX q E ppX qq . pq
367. Sea X una variable aleatoria con f.g.m. MX ptq. Demuestre que para t 0 y x 0, P pX xq etx MX ptq. 368. Markov Chebyshev. Use la desigualdad de Markov (5.2) aplicada a la variable aleatoria no negativa |X |2 para demostrar la desigualdad de Chebyshev (5.1). optima. Sea X una variable aleatoria 369. La desigualdad de Chebyshev es discreta con funci on de probabilidad $ & 1{18 si x 1, 1, 16{18 si x 0, f pxq % 0 otro caso. a ) Calcule la esperanza y la varianza 2 de esta v.a.
270
5. Teoremas l mite b ) Ahora calcule exactamente P p|X | 3 q y compruebe que esta cantidad coincide con la cota superior dada por la desigualdad de Chebyshev. Este resultado demuestra que sin hip otesis adicionales la cota superior dada por la desigualdad de Chebyshev es optima, es decir, no puede establecerse una cota superior m as peque na.
370. Sea X una variable aleatoria con distribuci on Np, 2 q. a ) Use la desigualdad de Chebyshev para estimar el valor m nimo de k de tal modo que la probabilidad de que X tome un valor entre k y ` k sea al menos 0.95 .
b ) Use la tabla de la distribuci on normal para encontrar el valor exacto de k que cumpla la condici on del inciso anterior.
371. Sea pxq la funci on de distribuci on Np0, 1q. Use la desigualdad de Chebyshev para demostrar que para cualquier x 0, 2x2 pxq 1. 372. Use la distribuci on exppq y la desigualdad de Chebyshev para demostrar que para cualquier n umero real x 1, epx`1q 1 . x2
5.2.
Convergencia de variables aleatorias
Sabemos que una sucesi on num erica x1 , x2 , . . . es convergente a un n umero x si para cualquier 0 existe un n umero natural N a partir del cual los elementos de la sucesi on se encuentran cercanos al n umero x, es decir, para n N, |xn x| . Si en lugar de la sucesi on num erica tenemos una sucesi on de variables aleatorias, c omo se puede denir el concepto de convergencia en este caso?
5.2. Convergencia de variables aleatorias
271
Veremos a continuaci on que puede responderse a esta pregunta de varias maneras. Consideremos entonces que tenemos una sucesi on innita de variables aleatorias X1 , X2 , . . . y un espacio de probabilidad en donde todas estas variables aleatorias est an denidas. La variedad de formas en las que puede denirse la convergencia de variables aleatorias estar a dada por las formas en las que se decida medir la cercan a de la sucesi on con el l mite a trav es de la medida de probabilidad.
Convergencia puntual
Para cada jo, la sucesi on X1 p q, X2 p q, . . . es una sucesi on de n umeros reales, por lo tanto podemos denir la convergencia de las variables aleatorias cuando esta sucesi on num erica es convergente para cada jo. En este caso la v.a. l mite se dene de forma puntual: X p q : l mn8 Xn p q. A este tipo de convergencia se le llama convergencia puntual y se escribe Xn X, para cada P .
Convergencia casi segura

Un tipo de convergencia un tanto menos estricto que el anterior ocurre cuando se permite que la convergencia puntual se observe sobre un conjunto de probabilidad uno, es decir, se dice que la sucesi on X1 , X2 , . . . converge casi seguramente, o casi dondequiera, a la variable X si para casi toda , Xn p q converge a X p q, en s mbolos, P p P : Xn p q X p qq 1, y se escribe Xn X. De este modo se permite que exista un subconjunto de en donde no se verique la convergencia, pero tal subconjunto debe tener medida de probabilidad cero. Es claro que si una sucesi on de v.a.s es convergente puntualmente, entonces es tambi en convergente en el sentido casi seguro. El rec proco es falso.
c.s.
272
5. Teoremas l mite
Convergencia en probabilidad
Otra forma a un menos restrictiva que la convergencia casi segura es la siguiente: la sucesi on de variables aleatorias X1 , X2 , . . . converge en probabilidad a la variable aleatoria X si para cualquier 0, P p P : |Xn p q X p q| q 0, cuando n tiende a innito. En este caso se escribe Xn X.
p
Convergencia en distribuci on
Finalmente el u ltimo tipo de convergencia que mencionaremos hace uso de las funciones de distribuci on de las variables aleatorias: se dice que la sucesi on de variables X1 , X2 , . . . converge en distribuci on, o que converge d ebilmente, a la variable aleatoria X si para todo punto x en donde FX pxq es continua se cumple que cuando n 8, FXn pxq FX pxq. Es decir, para aquellos valores reales x que cumplan la condici on mencionada, debe vericarse que
n8
l m P pXn xq P pX xq. Xn X.
d
En este caso se escribe
El teorema de continuidad de la funci on generadora de momentos que enunciamos en la p agina 156 se reere prec samente a este tipo de convergencia. Existen otros tipos de convergencia para variables aleatorias pero los que hemos mencionado son sucientes para poder enunciar algunos teoremas l mite importantes en probabilidad. Antes de pasar al estudio de estos resultados, responderemos a la pregunta que posiblemente se habr a hecho el lector respecto a las posibles relaciones que pudieran existir entre los tipos de convergencia de variables aleatorias: existe alguna relaci on entre los diferentes tipos de convergencia de variables aleatorias?
5.2. Convergencia de variables aleatorias
273
La respuesta a esta pregunta se muestra gr acamente en la Figura 5.1, en donde un punto dentro de alguna regi on signica una sucesi on de v.a.s que es convergente en el sentido indicado. La contenci on de una regi on en otra indica que el tipo de convergencia de la regi on contenida implica el tipo de convergencia de la regi on que contiene, as por ejemplo, la convergencia casi segura implica la convergencia en probabilidad, y esta a su vez implica la convergencia en distribuci on. El diagrama establece adem as que las contenciones son propias, es decir, existen elementos en una regi on que no pertenecen a los subconjuntos contenidos, por ejemplo, existen sucesiones de v.a.s que convergen en probabilidad pero no convergen en el sentido casi seguro. El lector interesado en la demostraci on de las armaciones anteriores puede consultar textos m as avanzados de probabilidad como [7]. Los teoremas l mite que estudiaremos en las siguientes secciones tratan sobre la convergencia de sucesiones de variables aleatorias de la forma
n 1 Xi . n i 1
Convergencia puntual Convergencia casi segura Convergencia en probabilidad Convergencia en distribuci on
Figura 5.1
274
5. Teoremas l mite
Ejercicios
373. Para cada n umero natural n suponga que Xn una variable aleatoria con distribuci on unifp0, 1{nq. Sea X la v.a. constante cero. Demuestre que
d
Xn X.
5.3.
La ley de los grandes n umeros
El teorema conocido como la ley de los grandes n umeros es un resultado muy interesante que puede observarse en la naturaleza. Constituye uno de los resultados m as importantes de la teor a de la probabilidad y tiene mucha relevancia en las aplicaciones tanto te oricas como pr acticas. Este teorema establece que bajo ciertas condiciones, el promedio aritm etico de variables aleatorias converge a una constante cuando el n umero de sumandos crece a innito. Ya desde el siglo XVI el matem atico Gerolano Cardano (1501-1576) hab a hecho la observaci on de que la precisi on de las estad sticas emp ricas mejoraban conforme se incrementaba el n umero de observaciones. Pero fue Jacobo Bernoulli, quien en 1713 y despu es de muchos a nos de trabajo logr o formalizar por primera vez el enunciado del teorema y dar una demostraci on rigurosa para el caso de variables aleatorias dicot omicas. Debido a este gran exito en la carrera de Jacobo Bernoulli, este resultado se conoce tambi en como teorema de Bernoulli. Sin embargo, fue Simone D. Poisson quien us o y populariz o el t ermino ley de los grandes n umeros. Otros matem aticos han contribu do notablemente a la generalizaci on y extensi on del teorema de Bernoulli, entre ellos est an Chebyshev, Markov, Borel, Cantelli, Kolmogorov y Khinchin.
meros 5.3. La ley de los grandes nu
275
Teorema 5.1 (Ley de los grandes n umeros) Sea X1 , X2 , . . . una sucesi on innita de variables aleatorias independientes e id enticamente distribuidas con media nita . Entonces
n 1 Xi . n i 1
en donde la convergencia se verica en el sentido casi seguro (ley fuerte) y tambi en en probabilidad (ley d ebil).
Demostraci on. (Ley d ebil (convergencia en probabilidad) suponiendo segundo momento nito). Recordemos que la desigualdad de Chebyshev para una variable aleatoria X con media y varianza 2 establece que para cualquier 0, 2 P p|X | q 2 . 1 n As , aplicando este resultado a la variable aleatoria n i1 Xi , cuya espe2 ranza es y varianza es {n, tenemos que para cualquier 0,
n 1 2 Xi q 2 . Pp n i 1 n n 1 Pp Xi q 0, n i 1 n 1 p Xi . n i 1
De modo que al hacer n 8 se obtiene que
lo cual signica que
As , sin importar la distribuci on de las variables aleatorias, el promedio aritm etico converge a la media conforme n tiende a innito. Como se ha
276
5. Teoremas l mite
mencionado, u nicamente se ha presentado la demostraci on en el caso cuando la convergencia es en probabilidad y suponiendo adicionalmente que el segundo momento existe. Demostraciones m as generales de este resultado pueden encontrarse por ejemplo en [7]. La siguiente demostraci on de la ley fuerte (convergencia casi segura) es bastante directa aunque tiene la desventaja de suponer la existencia de la funci on generadora de momentos. Demostraci on. Sea Sn pX1 ` ` Xn q{n y sea MX ptq la f.g.m. de cualquiera de las variables Xi . Haremos uso de la expansi on (2.19) de la p agina 154 y de la notaci on o-peque na que puede consultarse en el ap endice en la p agina 297. La funci on generadora de momentos de la variable Sn es MSn ptq E petSn q
t
E pe n pX1 ``Xn q q t pMX p qqn n t t p1 ` E pX q ` op qqn n n t t n p1 ` E pX qq ` op q, n n
en donde se ha escrito la n- esima potencia de un binomio en dos sumant dos, uno en donde el primer t ermino tiene exponente n y el segundo op n q desaparece pues tiene exponente cero, el segundo sumando tiene potencias t q y todos estos t erminos se agrupan en una misma expresi on positivas de op n t escrita como op n q. Por lo tanto,
n8
l m MSn ptq etE pX q ,
en donde esta u ltima expresi on corresponde a la f.g.m. de la variable aleatoria constante igual a E pX q. Por la continuidad de las funciones generadoras de momentos, c.s. Sn E pX q.
277
Ejemplo 5.1 (Probabilidad frecuentista) Considere un experimento aleatorio cualquiera y sea A un evento con probabilidad desconocida p. Nos interesa encontrar este valor de p. Suponga que se efect uan varias realizaciones sucesivas e independientes del experimento y se observa en cada ensayo la ocurrencia o no ocurrencia del evento A. Para cada entero k 1 dena la variable aleatoria # 1 si ocurre el evento A en el k - esimo ensayo, Xk 0 si no ocurre el evento A en el k - esimo ensayo. Entonces las variables X1 , X2 , . . . son independientes cada una con distribuci on Berppq, en donde p es la probabilidad del evento A. Por lo tanto, E pXk q p y VarpXk q pp1 pq. La ley de los grandes n umeros asegura que la fracci on de ensayos en los que se observa el evento A converge a la constante desconocida p cuando el n umero de ensayos crece a innito, es decir, n 1 Xi p. n i 1
Esta es la denici on frecuentista de la probabilidad que hab amos estudiado antes en la p agina 28 y que ahora hemos podido corroborar su validez con la ayuda de la teor a desarrollada a partir de los axiomas de la probabilidad de Kolmogorov y en particular de la ley de los grandes n umeros.
Simulaci on 5.1 En este ejemplo se utiliza R para ilustrar la ley de los grandes n umeros. Si se dene la variable Sn 1 pX1 ` ` Xn q, n
entonces podemos expresar Sn en t erminos de Sn1 de la siguiente forma: para n 2, 1 Sn ppn 1qSn1 ` Xn q. n Esta expresi on es muy u til para analizar num ericamente el comportamiento de Sn a lo largo del tiempo. En particular simularemos 200 lanzamientos independientes de una moneda equilibrada, es decir, se generar an 200 valores al azar de una variable aleatoria con distribuci on Berppq, con p 1{2.
278
5. Teoremas l mite
Programa en R para ilustrar la ley de los grandes n umeros en el caso de variables aleatorias Berppq con p 1{2 n=200 s=rep(1,n) p=0.5 s[1]=rbinom(1,1,p) for(i in 2:n){ s[i]=((i-1)*s[i-1]+rbinom(1,1,p))/i } plot(s,type="l") # letra ele no uno abline(h=p)
Figura 5.2 El c odigo R se muestra en la Figura 5.2. Los resultados obtenidos en R A se exportaron despu es a L TEX para generar la gr aca en PSTricks que se muestra en la Figura 5.3. En esta gr aca puede apreciarse el comportamiento asint otico de los promedios Sn pX1 ` ` Xn q{n conforme n crece. Los puntos gracados fueron unidos por una l nea continua para una mejor visualizaci on del comportamiento inicial oscilante y su eventual estabilizaci on en el valor 1{2. En este ejemplo hemos utilizado la distribuci on Bernoulli pero cualquier otra distribuci on puede ser usada para observar el comportamiento asint otico de la media aritm etica a la media de la distribuci on.
Ejercicios
374. Ley de los grandes n umeros: simulaci on. a ) Escoja usted una distribuci on de probabilidad discreta de su preferencia, especicando valores num ericos para sus par ametros. Genere n 1000 valores independientes al azar x1 , . . . , x1000 de

Sn
279
1{2
n 100 200
Figura 5.3: Ley de los grandes n umeros.
esta distribuci on y calcule los promedios parciales x n

n 1 xi n i 1
n 1, 2, . . . , 1000.
Graque la funci on n x n uniendo con una l nea recta sus valores. Denote por la media de la distribuci on. Trace en la misma gr aca la funci on constante y compruebe gr acamente que la funci on n x n oscila y se aproxima al valor . Esta es una comprobaci on experimental de la ley de los grandes n umeros. b ) Haga los mismo que en el inciso anterior ahora con una distribuci on continua de su preferencia. on nita de observaciones 375. Estimaciones. Sea x1 , x2 , . . . , xn una colecci de una v.a. con distribuci on normal con media y varianza 2 desconocidas. Con base en la ley de los grandes n umeros proporcione expresiones en funci on de x1 , x2 , . . . , xn que puedan servir para estimar los valores de y 2 . 376. Convergencia de la media geom etrica. Sea X1 , X2 , . . . una sucesi on de v.a.s positivas, independientes, id enticamente distribu das y tales que E pln X q 8. Demuestre que a c.s. n X1 X2 Xn e .
280
5. Teoremas l mite
377. Teorema de equipartici on asint otica. La entrop a en base 2 de una v.a. discreta X con funci on de probabilidad ppxq se dene como ppxq log2 ppxq. H pX q :
x
1 c.s. log2 ppX1 , X2 , . . . , Xn q H pX q. n En la teor a de la informaci on a este resultado se le conoce como el teorema de equipartici on asint otica.
Demuestre que si X1 , X2 , . . . es una sucesi on de v.a.s discretas, independientes, id enticamente distribu das, con funci on de probabilidad ppxq y con entrop a nita, entonces
378. Una versi on de la ley d ebil de los grandes n umeros. Sea X1 , X2 , . . . una sucesi on de variables aleatorias independientes no necesariamente id enticamente distribu das pero con media com un y varianzas acotadas, es decir, VarpXi q c, en donde c es una constante. Use la desigualdad de Chebyshev para demostrar que
n 1 p Xi . n i 1
on de la ley d ebil de los grandes n umeros. Sea X1 , X2 , . . . 379. Otra versi una sucesi on de variables aleatorias no necesariamente id enticamente distribu das ni independientes pero con media com un y varianzas 1 n X q 0 cuando n 8 . Use la desigualdad de tales que Varp n i 1 i Chebyshev para demostrar que
n 1 p Xi . n i 1
5.4.
El teorema central del l mite
Este teorema es muy importante y tiene una amplia gama de aplicaciones para simplicar el c alculo de ciertas probabilidades y aproximar algunas distribuciones.
5.4. El teorema central del l mite
281
Teorema 5.2 (Teorema central del l mite) Sea X1 , X2 , . . . una sucesi on innita de variables aleatorias independientes e id enticamente distribuidas, con media y varianza nita 2 . Entonces la funci on de distribuci on de la variable aleatoria Zn pX1 ` ` Xn q n ? n 2
tiende a la funci on de distribuci on normal est andar cuando n tiende a innito.
Demostraci on. Por simplicidad supondremos que, a diferencia del enunciado del teorema, las variables aleatorias tienen todos sus momentos nitos de tal manera que su f.g.m. es nita y tiene la expresi on de la serie de potencias (2.19) de la p agina 154. Nuevamente haremos uso de la notaci on o-peque na. Podemos calcular la f.g.m. de la variable Zn de la siguiente manera: MZn ptq E petZn q E pe
q t n pM X p ? qq n X t2 X 2 t2 t q` Ep q ` op qqn p1 ` ? E p n 2n n 2 2 t t p1 ` ` op qqn 2n n 2 t n t2 p1 ` q ` op q, 2n n en donde se ha escrito la n- esima potencia de un binomio en dos suman2 dos, uno en donde el primer t ermino tiene exponente n y el segundo op tn q desaparece pues tiene exponente cero, el segundo sumando tiene potencias 2 erminos se agrupan en una misma expresi on positivas de op tn q y todos estos t
X X t ? q``p 1 qq pp 1 n
282 escrita como op tn q. Por lo tanto,

n8
2
5. Teoremas l mite
l m MZn ptq et
2 {2
en donde esta u ltima expresi on corresponde a la f.g.m. de una variable aleatoria con distribuci on Np0, 1q. Por la continuidad de las funciones generadoras de momentos, d Zn Np0, 1q. En t erminos matem aticos este resultado establece que para cualquier n umero real x, l m FZn pxq pxq,
n8
sin importar la distribuci on de las variables X1 , X2 , . . ., as es que estas pueden tener distribuci on Bernoulli, binomial, exponencial, gama, etc., en general pueden ser discretas o continuas, y este resultado sorprendente asegura que la variable Zn tiene una distribuci on aproximada normal est andar para valores grandes de n. Una forma de expresar el teorema central del l mite de manera informal es a trav es de la siguiente armaci on: para cualesquiera n umeros reales a b, b pX1 ` ` Xn q n 1 2 ? ? ex {2 dx. P pa bq 2 2 n a Esto nos permitir a aproximar probabilidades de eventos que involucran sumas de variables aleatorias en t erminos de probabilidades de la distribuci on normal est andar. Observe que dividiendo el numerador y denominador entre pX1 ` ` Xn q{n, la variable Zn puede escribirse de n, y deniendo X la siguiente forma X . (5.3) Zn a 2 {n
Es interesante observar tambi en que la ley de los grandes n umeros asegura que el numerador de (5.3) converge a cero conforme n tiende a innito, sin embargo el denominador de esta expresi on tambi en converge a cero y estos l mites ocurren de tal manera que este cociente no es constante sino una variable aleatoria con distribuci on normal est andar.
283
Una de las primeras versiones demostradas del teorema central del l mite es aquella en donde las variables aleatorias tienen distribuci on Bernoulli. Enuciamos a continuaci on este resultado en el contexto de ocurrencias o no ocurrencias de un evento en una sucesi on de ensayos independientes de un experimento aleatorio cualquiera.
Teorema 5.3 (Teorema de De Moivre-Laplace) Suponga que se tiene una sucesi on innita de ensayos independientes de un experimento aleatorio. Sea A un evento de este experimento aleatorio con probabilidad de ocurrencia p 0. Sea nA el n umero de ocurrencias del evento de inter es en los primeros n ensayos del experimento. Entonces para cualesquiera n umeros reales a b, nA {n p l m P pa a bq n8 pp1 pq{n b
a
1 2 ? ex {2 dx. 2
Simulaci on 5.2 En el c odigo que aparece en la Figura 5.4 se muestra la forma en la que puede usarse R para comprobar mediante simulaci on el teorema central del l mite. Como en el enunciado del teorema, el par ametro n corresponde al n umero de sumando X1 ` ` Xn . El par ametro k 1000 se usa para generar k valores al azar de la variable aleatoria suma X1 ` ` Xn y de esa forma aproximar su funci on de distribuci on. En estas simulaciones se ha utilizado la distribuci on Berppq con p 0.7 para los sumandos, lo cual puede modicarse con facilidad. Los resultados aparecen en la Figura 5.5 para n 5, 50, 100, 200, 500 y 1000. Puede apreciarse con claridad la forma sorprendente en la que la funci on de distribuci on de la variable Zn pX1 ` ` Xn q n ? n 2
se hace cada vez m as parecida a la funci on de distribuci on normal est andar. Para obtener las gr acas mostradas en la Figura 5.5 se obtuvieron primero los datos en R usando el ambiente gr aco RStudio, se trasladaron despu es A estos datos a L TEXpara su gracaci on a trav es del paquete PSTricks. A n de que aparecieran u nicamente l neas horizontales y verticales en la funci on
284
5. Teoremas l mite
de distribuci on aproximante, se llev o a cabo un proceso de interpolaci on en los subintervalos en donde aparec an l neas inclinadas. Las u ltimas dos gr acas requirieron un renamiento en el n umero de puntos a gracar. Para este mismo ejemplo se muestran en la Figura 5.6 varios histogramas que paulatinamente adquieren la forma de la funci on de densidad normal est andar conforme el par ametro n crece. En este tipo de gr acas y para hacer comparaciones entre dos histogramas, es importante escoger de manera adecuada el tama no de la base de los rect angulos. Ejemplo 5.2 Se lanza una dado repetidas veces y sean X1 , X2 , . . . los resultados de estos lanzamientos. Es razonable suponer que estas variables aleatorias son independientes y con id entica distribuci on uniforme en el conjunto t1, 2, 3, 4, 5, 6u. En particular, la esperanza es 3.5 y la varianza es 2 2.91 6. Por la ley de los grandes n umeros, sabemos que el promedio parcial X pX1 ` ` Xn q{n se aproxima a la media 3.5 conforme n crece. se encuentre entre Cu antas veces debe lanzarse el dado de tal forma que X 3 y 4 con una probabilidad de 0.99? Soluci on. Se busca el valor de n tal que 4q 0.99 . P p3 X Restando en cada lado de las desigualdades la media y dividiendo entre a 2 {n, la igualdad anterior es equivalente a la ecuaci on 3.5 X 3 3.5 4 3.5 Ppa a a q 0.99 . 2 2 {n {n 2 {n
Por el teorema central del l mite, la probabilidad indicada es aproximadaa a 2 2 mente igual a P p-0.5{ {n Z 0.5{ {nq, en donde Z es una variable aleatoria con distribuci on normal est andar. Es decir, tenemos ahora la ecuaci on de aproximaci on 0.5 -0.5 p a q p a q 0.99 . 2 {n 2 {n
De tablas de la distribuci on normal est andar puede vericarse que el valor de x tal que p x q p x q 0.99 es x 2.58 . De este modo se tiene que a 2 0.5{ {n 2.58, de donde se obtiene n 226.5 .
285
Programa en R para ilustrar el teorema central del l mite en el caso de variables aleatorias Berppq con p 0.7 # N umero de valores simulados de la v.a. suma s[1],...,s[k]: k=1000 s=rep(0,k) # N umero de sumandos x[1],..,x[n]: n=5 x=rep(0,n) # Par ametro(s): p=0.7 # Generaci on al azar de n sumandos x[i] y k sumas s[i]: for (i in 1:k){ x=rbinom(n,1,p) s[i]=sum(x) } # C alculo de media, varianza y estandarizaci on media=n*p var=n*p*(1-p) s=(s-media)/sqrt(var) # Graficaci on de la funci on de densidad par(mfrow=c(1,2)) curve(dnorm(x),from=-3,to=3,ylim=c(0,0.6),ylab="F. de densidad",lwd=2,col="blue") hist(s,freq=FALSE,breaks=50,add=T,xlim=c(-3,3),ylim=c(0,5)) # Graficaci on de la funci on de distribuci on distempirica<-ecdf(s) curve(distempirica,from=-3,to=3,cex=0.1,ylab="F. de dist.") curve(pnorm(x),from=-3,to=3,add=TRUE,col="blue")
Figura 5.4
286
5. Teoremas l mite
F pxq
1 n5 x
F pxq
n 50 x
F pxq
F pxq
n 100 x
n 200 x
F pxq
F pxq
n 500 x
n 1000 x
Figura 5.5: Teorema central del l mite.
287
f pxq
f pxq
n5 x
n 50 x
f pxq
f pxq
n 100 x
n 200 x
f pxq
f pxq
n 500 x
n 1000 x
Figura 5.6: Teorema central del l mite.
288
5. Teoremas l mite
Ejemplo 5.3 Se desea dise nar un estacionamiento de coches para un conjunto de 200 departamentos que se encuentran en construcci on. Suponga que para cada departamento, el n umero de autom oviles ser a de 0, 1 o 2, con probabilidades 0.1, 0.6 y 0.3, respectivamente. Se desea que con una certeza del 95 % haya espacio disponible para todos los coches cuando los departamentos se vendan. Cu antos espacios de estacionamiento deben construirse? Soluci on. Sean X1 , . . . , X200 las variables aleatorias que denotan el n umero de autom oviles que poseen los futuros due nos de los departamentos. Podemos suponer que estas variables aleatorias discretas son independientes unas de otras y todas ellas tienen la misma distribuci on de probabilidad: P pX 0q 0.1, P pX 1q 0.6, y P pX 2q 0.3. De esta forma la variable aleatoria suma X1 ` ` X200 denota el total de autom oviles que habr a en el complejo de departamentos. Se desconoce la distribuci on de esta variable aleatoria, sin embargo se desea encontrar el valor de n tal que P pX1 ` ` X200 nq 0.95 . Haremos uso del teorema central del l mite para resolver este problema, y para ello se necesita calcular la esperanza y varianza de X . Puede comprobarse que E pX q 1.2 y VarpX q 0.36 , cantidades que denotaremos por y 2 respectivamente. La ecuaci on planteada es entonces P pX1 ` ` X200 nq 0.95 , en donde la inc ognita es el valor de ?n. Restando en ambos lados de la desigualdad 200 y dividiendo entre 200 2 , la ecuaci on anterior es equivalente a Pp n 200 X1 ` ` X200 200 ? ? q 0.95 . 2 200 200 2 (5.4)
Por el teorema? central del l mite, la probabilidad indicada es aproximada a ppn 200q{ 200 2 q. De este modo tenemos ahora la ecuaci on n 200 q 0.95 . p ? 200 2 Observe que la variable aleatoria que aparece en la ecuaci on (5.4) y cuya distribuci on de probabilidad se desconoce y en general es dif cil conocer, se ha aproximado por una variable aleatoria normal est andar, y all radica la utilidad del teorema central del l mite. De la tabla de la distribuci on normal podemos ahora vericar que el valor de x tal que pxq 0.95 es x 1.65.
289
? De este modo se llega a la igualdad pn 200q{ 200 2 1.65 , de donde se obtiene que n 253.99 . Es decir, el tama no del estacionamiento debe ser de aproximadamente 254 lugares.
Ejercicios
380. Teorema central del l mite: simulaci on. a ) Escoja usted una distribuci on de probabilidad discreta de su preferencia especicando valores num ericos para sus par ametros. Denote por a la media de la distribuci on y sea 2 su varianza. Lleve a cabo las indicaciones de los siguientes incisos para: n 20, 40, 60, 80, 100. 50, 100.
Esta es una comprobaci on del teorema central del l mite. 1) Genere n valores independientes al azar x1 , . . . , xn y calcule el promedio n 1 x n xi . n i 1 2) Repita N veces el inciso anterior calculando los promedios centrados x x n ? ,..., n? . { n { n looooooooooomooooooooooon
N
3) Elabore un histograma de estos N valores trazando en la misma gr aca la funci on de densidad Np0, 1q. Utilice un tama no adecuado para la base de los rect angulos. 4) Elabore una gr aca de la frecuencia relativa acumulada (funci on de distribuci on emp rica) de los N valores uniendo los puntos con una l nea recta y en la misma gr aca dibuje la funci on de distribuci on Np0, 1q.
290
5. Teoremas l mite b ) Haga los mismo que en el inciso anterior ahora con una distribuci on continua de su preferencia.
381. Sea A un evento de un experimento aleatorio cuya probabilidad es p P p0, 1q. Suponga que se efect uan n ensayos independientes del experimento y denote por nA el n umero de veces que se observ o la ocurrencia del evento A. Demuestre que para n sucientemente grande y para cualquier 0, ? ? n n nA p ` q p a q p a q. P pp n pp1 pq pp1 pq Sugerencia: 382. La probabilidad de que un componente electr onico falle durante ciertas pruebas de control de calidad es 0.05 . Use el teorema de de MoivreLaplace para encontrar una aproximaci on de la probabilidad de que al probar 100 componentes, el n umero de fallas sea: a ) al menos 5. b ) mayor a 5. c ) entre 5 y 10.
Use el teorema de de Moivre-Laplace.
383. La probabilidad de un cierto evento en un ensayo de un experimento aleatorio es 0.7. Cu al es la probabilidad de que este evento aparezca en la mayor a de una sucesi on de 200 ensayos independientes? 384. La probabilidad de ocurrencia de un evento en un ensayo es 0.3. Cu al es la probabilidad de que la frecuencia relativa de este evento en 100 ensayos se encuentre entre 0.2 y 0.5? 385. Sea X con distribuci on 2 pnq. Demuestre que X n d ? Np0, 1q. 2n
386. Sean X1 , . . . , Xn v.a.s independientes con id entica distribuci on Poissonpq. Encuentre una aproximaci on para la siguiente probabilidad en t erminos de la funci on de distribuci on pxq. P pa X1 ` ` Xn bq.
291
Jacobo Bernoulli
J. Bernoulli (Suiza, 16541705) fue uno de los matem aticos m as sobresalientes de la familia Bernoulli. Sus padres tuvieron una posici on econ omica c omoda, Jacobo Bernoulli fue el primero de los hijos y por instrucciones de sus padres estudi o losof a y teolog a. Se gradu o de la Universidad de Basilea en Suiza con el grado de maestro en losof a en 1671 y obtuvo tambi en una licenciate en teolog a en 1676. Durante sus estudios universitarios J. Bernoulli y contrario al deseo de sus padres, Jacobo Bernoulli tambi en estudi o matem aticas y astronom a. Con el paso del tiempo fue claro que el verdadero amor de Jacobo Bernoulli no fue la teolog a ni la losof a, sino las matem aticas y la f sica te orica, pues en estas disciplinas imparti o clases y desarrollo trabajos cient cos de primer nivel. Cronol ogicamente Jacobo Bernoulli fue el primer matem atico de la familia Bernoulli y posiblemente haya sido de cierta inuencia para que algunos de los siguientes miembros de la familia decidieran seguir una carrera cient ca. Despu es de graduarse de la Universidad de Basilea, se traslad o a Ginebra en donde trabaj o como tutor. En los siguientes a nos viaj o a Francia, Holanda e Inglaterra en donde conoci o y mantuvo comunicaci on con renombrados matem aticos y cient cos de estos pa ses. En 1683 regres o a Suiza y empez oa trabajar en la Universidad de Basilea habiendo ya empezado a publicar sus trabajos un a no antes. En dicha universidad fue contratado como profesor de matem aticas en 1687. Produjo trabajos de mucha trascendencia en las areas del c alculo innitesimal, el algebra, la teor a de series, el c alculo de variaciones, la mec anica y particularmente la teor a de la probabilidad. En 1713, ocho a nos despu es de la muerte de Jacobo Bernoulli, se publica una de sus obras m as preciadas: Ars Conjectandi (El arte de conjeturar). A este trabajo de Bernoulli se le considera como una obra fundacional del c alculo combinatorio y la teor a de la probabilidad. En este trabajo aparece por primera vez una demostraci on rigurosa de la ley de los grandes n umeros en el caso cuando las variables aleatorias tienen distribuci on Bernoulli. A este importante resultado se le conoce ahora justamente como teorema de
292
5. Teoremas l mite
Bernoulli. Posiblemente uno de los sucesos m as relevantes en la vida de Jacobo Bernoulli fue la penosa rivalidad que mantuvo con su hermano menor Johann Bernoulli (1667-1748). Era el a no de 1687 cuando Johann le pidi o a su hermano Jacobo que le ense nara matem aticas. Los dos hermanos empezaron as a estudiar juntos el dif cil c alculo diferencial e integral de Leibnitz y otros trabajo relacionados. Ambos empezaron a resolver problemas importantes en el area pero eventualmente surgi o en ellos la rivalidad por buscar cada uno un mayor reconocimiento que el otro. Jacobo, como hermano mayor y mentor, sent a que Johann deb a sus exitos a el. Johann, por su parte y posiblemente mejor matem atico que Jacobo, sent a que sus m eritos eran propios. Esta rivalidad persisti o hasta la muerte de Jacobo Bernoulli, acaecida el 16 de agosto de 1705 a la temprana edad de 50 a nos. El puesto de profesor de matem aticas que Jacobo ten a en la Universidad de Basilea lo ocup o su hermano Johann. Jacobo Bernoulli tuvo fascinaci on por la espi ral logar tmica. Esta es una curva que aparece frecuentemente en la naturaleza y est a dada por la ecuaci on en coordenadas polares logb pr{aq. Jacobo Bernoulli pensaba que sus propiedades eran casi m agicas y que representaba un s mbolo de permanencia eterna y de constante restauraci on exacta al ser perfecto. Por ello es que dej o instrucciones para que en su l apida fuera grabada la inscripci on en lat n Eadem Mutata Resurgo, que signica Resurgir e nuevamente aunque cambiado. En honor a la enorme contribuci on a la ciencia por parte de la extensa familia Bernoulli y a sugerencia del matem atico y estad stico Jerzy Neyman, la agrupaci on internacional m as importante en probabilidad y estad stica lleva tmica y el nombre de Bernoulli Society y en su logo aparece la espiral logar la frase del epitao de Jacobo Bernoulli. Fuente: Archivo MacTutor, Universidad de St. Andrews [22].
Ap endice A
A.1.
N Z Q R
Notaci on
Conjunto Conjunto Conjunto Conjunto de de de de n umeros n umeros n umeros n umeros naturales 1, 2, 3, . . . enteros 0, 1, 2, 3, . . . racionales a{b en donde a, b P Z con b 0. reales.
A.2.
El alfabeto griego
A B E , Z H ,
alfa beta gama delta epsilon zeta eta teta
I K M N Oo
iota kapa lambda mu nu xi omicron pi
P , , T , X
ro sigma tau upsilon ji psi omega
293
294
ndice A. Ape
A.3.
Exponentes y logaritmos
Exponentes
a) x1 x. b) x0 1, c) x1 1 , x x 0. x 0.
d) xn xm xn`m . e) xn x n m . xm f) pxn qm xnm .
g) pxy qn xn y n . n x xn n. h) y y i) xn j) xm{n 1 , x 0. xn ? n xm .
Logaritmos
a) log ab log a ` log b. b) log a b log a log b. c) log an n log a. d) log ? n a 1 log a. n
e) log 1 0. f) loga a 1.
rmulas para sumas A.4. Fo
295
A.4.
a)
n
F ormulas para sumas

x k x m ` x m`1 ` ` x n , m n.
k m
b)
k 1
c nc,
c constante.
c)
k 1
npn ` 1q . 2 npn ` 1qp2n ` 1q . 6 2
d)
k 1
k2
3
e)
k 1
npn ` 1qp2n ` 1q k 2 ak a m a n `1 , 1a x P R.
f)
k m
a 1.
g)
8 xk ex , k ! k 0
n n k n k h) a b pa ` bqn , k k 0
a, b P R, n P N.
i)
8 1 k k 1
es divergente.
8 1 2 j) k2 6 k 1
(Euler).
296
ndice A. Ape
A.5.
F ormulas de derivaci on e integraci on
Derivadas
a) b) c) d) e) f) g) h) i) j) k) d c 0, dx d x 1. dx d n x nxn1 . dx d x e ex . dx 1 d ln x . dx x d sen x cos x. dx d cos x sen x. dx d rf pxq g pxqs f 1 pxq g 1 pxq. dx d rf pxq g pxqs f pxq g 1 pxq ` f 1 pxq g pxq. dx d f pxq g pxqf 1 pxq f pxqg 1 pxq . dx g pxq g 2 pxq d f pg pxqq f 1 pg pxqq g 1 pxq. dx (Regla de la cadena) c constante.
Integrales
a) df pxq f 1 pxq dx f pxq ` c.
A.6. El lema de Abel
297
b) c) d) e) f) g) h) i)
c dx c xn dx
dx,
c constante. n 1.
x n `1 ` c, n`1
dx ln x ` c. x eax dx 1 ax e ` c. a
ln x dx x ln x x ` c. sen x dx cos x ` c. cos x dx sen x ` c. u dv uv v du. (Integraci on por partes)
A.6.
El lema de Abel
8 Sea a0 , a2 , . . . una sucesi on de n umeros reales o complejos tal que n 0 a n 8 n es convergente. Entonces la funci on real Gptq n0 an t es continua por la izquierda en t 1, es decir,
t 1
l m Gptq
n 0
an .
A.7.
Notaci on o-peque na
Se dice que una funci on f pxq denida en un intervalo no trivial alrededor na de x cuando x 0 si del cero es o-peque f pxq 0. x0 x l m
298
ndice A. Ape
Esto siginifca que la funci on f pxq tiende a cero cuando x 0 m as r apik damente de lo que lo hace x 0. Las funciones f pxq x con k 2 son ejemplos de funciones opxq cuando x 0, y se escribe f pxq opxq cuando x 0.
n normal esta ndar A.8. Tabla de la distribucio
299
A.8.
Tabla de la distribuci on normal est andar
1 pxq P pX xq ? 2
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997 0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997 0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997
e t
2 {2
dt
0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997 0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8399 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998
8
0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997 0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997
300
ndice A. Ape
A.9.
Tabla de la distribuci on tpnq
t,n P pX t,n q
n z 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 8 0.005 63.657 9.925 5.841 4.604 4.032 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.291 2.898 2.878 2.861 2.845 2.831 2.819 2.807 2.797 2.787 2.779 2.771 2.763 2.756 2.576 0.01 31.821 6.965 4.541 3.474 3.365 3.143 2.998 2.896 2.821 2.764 2.718 2.681 2.650 2.624 2.602 2.583 2.567 2.552 2.539 2.528 2.518 2.508 2.500 2.492 2.485 2.479 2.473 2.467 2.462 2.326 0.025 12.706 4.303 3.182 2.776 2.571 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.080 2.074 2.069 2.064 2.060 2.056 2.052 2.048 2.045 1.960 0.05 6.314 2.920 2.353 2.132 2.015 1.943 1.895 1.860 1.833 1.812 1.796 1.782 1.771 1.761 1.753 1.746 1.740 1.734 1.729 1.725 1.721 1.717 1.714 1.711 1.708 1.706 1.703 1.701 1.699 1.645 0.1 3.078 1.886 1.638 1.533 1.476 1.440 1.415 1.397 1.383 1.372 1.363 1.356 1.350 1.345 1.341 1.337 1.333 1.330 1.328 1.325 1.323 1.321 1.319 1.318 1.316 1.315 1.314 1.313 1.311 1.282
n 2 pnq A.10. Tabla de la distribucio
301
A.10.
Tabla de la distribuci on 2 pnq
2 ,n P pX 2 ,n q
n z 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 0.995 0.0 0.01 0.07 0.21 0.41 0.68 0.99 1.34 1.73 2.16 2.60 3.07 3.57 4.07 4.60 5.14 5.70 6.26 6.84 7.43 8.03 8.64 9.26 9.89 10.52 11.16 11.81 12.46 13.12 13.79 20.71 27.99 35.53 43.28 51.17 59.20 67.33 0.990 0.0 0.02 0.11 0.30 0.55 0.87 1.24 1.65 2.09 2.56 3.05 3.57 4.11 4.66 5.23 5.81 6.41 7.01 7.63 8.26 8.90 9.54 10.20 10.86 11.52 12.20 12.88 13.57 14.26 14.95 22.16 29.71 37.48 45.44 53.54 61.75 70.06 0.975 0.0 0.05 0.22 0.48 0.83 1.24 1.69 2.18 2.70 3.25 3.82 4.40 5.01 5.63 6.27 6.91 7.56 8.23 8.91 9.59 10.28 10.98 11.69 12.40 13.12 13.84 14.57 15.31 16.05 16.79 24.43 32.36 40.48 48.76 57.15 65.65 74.22 0.950 0.0 0.10 0.35 0.71 1.15 1.64 2.17 2.73 3.33 3.94 4.57 5.23 5.89 6.57 7.26 7.96 8.67 9.39 10.12 10.85 11.59 12.34 13.09 13.85 14.61 15.38 16.15 16.93 17.71 18.49 26.51 34.76 43.19 51.74 60.39 69.13 77.93 0.900 0.02 0.21 0.58 1.06 1.61 2.20 2.83 3.49 4.17 4.87 5.58 6.30 7.04 7.79 8.55 9.31 10.09 10.87 11.65 12.44 13.24 14.04 14.85 15.66 16.47 17.29 18.11 18.94 19.77 20.60 29.05 37.69 46.46 55.33 64.28 73.29 82.36 0.100 2.71 4.61 6.25 7.78 9.24 10.65 12.02 13.36 14.68 15.99 17.28 18.55 19.81 21.06 22.31 23.54 24.77 25.99 27.20 28.41 29.62 30.81 32.01 33.20 34.28 35.56 36.74 37.92 39.09 40.26 51.81 63.17 74.40 85.53 96.58 107.57 118.50 0.050 3.84 5.99 7.81 9.49 11.07 12.59 14.07 15.51 16.92 18.31 19.68 21.03 22.36 23.68 25.00 26.30 27.59 28.87 30.14 31.41 32.67 33.92 35.17 36.42 37.65 38.89 40.11 41.34 42.56 43.77 55.76 67.50 79.08 90.53 101.88 113.14 124.34 0.025 5.02 7.38 9.35 11.14 12.83 14.45 16.01 17.53 19.02 20.48 21.92 23.34 24.74 26.12 27.49 28.85 30.19 31.53 32.85 34.17 35.48 36.78 38.08 39.36 40.65 41.92 43.19 44.46 45.72 46.98 59.34 71.42 83.30 95.02 106.63 118.14 129.56 0.010 6.63 9.21 11.34 13.28 15.09 16.81 18.48 20.09 21.67 23.21 24.72 26.22 27.69 29.14 30.58 32.00 33.41 34.81 36.19 37.57 38.93 40.29 41.64 42.98 44.31 45.64 46.96 48.28 49.59 50.89 63.69 76.15 88.38 100.42 112.33 124.12 135.81 0.005 7.88 10.60 12.84 14.86 16.75 18.55 20.28 21.96 23.59 25.19 26.76 28.30 29.82 31.32 32.80 34.27 35.72 37.16 38.58 40.00 41.40 42.80 44.18 45.56 46.93 48.29 46.95 50.99 52.34 53.67 66.77 79.49 91.95 104.22 116.32 128.30 140.17
302
ndice A. Ape
Bibliograf a
[1] Blake I. F. An introduction to applied probability. John Wiley & Sons, 1979. [2] Blomm G., Holst L., Sandell D. Problems and snapshots from the world of probability. Springer-Verlag, 1994. [3] Esparza N un ez S. Elementos de probabilidad. IPN, 1985. [4] Garza T. Elementos de c alculo de probabilidades. UNAM, 1983. [5] Granville W. A. C alculo diferencial e integral. Limusa, 1982. [6] Godfrey M. G., Roebuck E. M., Sherlock A. J. Concise statistics. Edward Arnold, 1988. [7] Gut, A. Probability: a graduate course. Springer, 2005. [8] Hoel P. G., Port S. C., Stone C. J. Introduction to probability theory. Houghton Miin, 1971. [9] Kolmogorov A. N. Foundations of the theory of probability. Chelsea Publishing Company, 1950. [10] Mood A. M., Graybill F. A., Boes D. C. Introduction to the theory of statistics. McGraw Hill, 1983. [11] Miller I., Miller M. John E. Freunds mathematical statistics. Prentice Hall, 1999. [12] Olofsson P. Probability, statistics, and stochastic processes. Wiley, 2005. 303
304
Bibliograf a
[13] Perero M. Historia e historias de las matem aticas. Grupo Editorial Iberoam erica, 1994. [14] Ross S. M. A rst course in probability. Prentice Hall, 2009. [15] Ross S. M. Introduction to probability and statistics for engineers and scientists. Academic Press, 2009. [16] Ross S. M. Simulation. Academic Press, 2006. [17] Rinc on L. Curso intermedio de probabilidad. Facultad de Ciencias, UNAM, 2007. [18] Rinc on L. Curso elemental de probabilidad y estad stica. Serie Textos, SMM, 2013. [19] Sz ekely G. J. Paradoxes in probability theory and mathematical statistics. D. Reidel Publishing Company, 2001. [20] http://www.wikipedia.org [21] http://www.r-project.org/ [22] http://www-history.mcs.st-and.ac.uk/
Indice anal tico

- algebra, 40 Algebra, 41 Bernoulli ensayo, 163 Bernoulli, J., 291 Coeciente binomial, 51 de correlaci on, 264 propiedades, 266 multinomial, 52 Combinaciones, 50 Conjunto -s ajenos, 10 -s operaciones, 8 potencia, 11 Convergencia casi donde quiera, 271 casi segura, 271 de variables aleatorias, 270 d ebil, 272 en distribuci on, 272 en probabilidad, 272 puntual, 271 Covarianza, 261 propiedades, 263 Cuantiles, 145 305 Cuartiles, 146 De Morgan leyes de, 10 Densidad conjunta, 236 Desigualdad de Chebyshev, 267 de Markov, 268 Desviaci on est andar, 137 Diagrama de arbol, 12 Diferencia sim etrica, 10, 15 Distribuci on 2 f.g.m., 222 momentos, 222 Bernoulli, 163 beta, 205 bin. neg. f.g.m., 182 f.g.p., 182 binomial, 167 f.g.m., 172 f.g.p., 172 binomial negativa, 178 condicional, 255 conjunta, 241 de una v.a., 115
306 Erlang, 203 exponencial, 196 discretizaci on, 200 f.g.m., 199 mediana, 200 p erdida de memoria, 200 F, 226 gama, 201 f.g.m., 204 geom etrica, 174 f.g.m., 177 f.g.p., 177 hipergeom etrica, 182 ji-cuadrada, 218 marginal, 248 mixta, 117 normal, 211 f.g.m., 217 normal est andar, 213 Poisson, 186 f.g.m., 192 f.g.p., 191 t, 223 unif. cont. f.g.m., 195 uniforme continua, 192 uniforme discreta, 159 Weibull, 208 Distribuci on de prob. de una v.a., 115 Distribuciones condicionales, 259 Ensayo Bernoulli, 163 Espacio de probabilidad, 44 equiprobable, 18
Indice anal tico muestral, 5 Esperanza, 125 de una funci on de una v.a., 127 propiedades, 130 Estandarizaci on, 213 Evento, 5 -s ajenos, 10 compuesto, 6 simple, 6 Experimento aleatorio, 3 determinista, 3 Funci on beta, 205 de acumulaci on conjunta, 241 de dist. Np0, 1q, 214 de distribuci on, 108, 114 de probabilidad, 99 gama, 201 indicadora, 165 signo, 135 Funci on de densidad condicional, 255 conjunta, 236 de un vector, 236 Funci on de distribuci on bivariada, 242 condicional, 257 conjunta, 241 de un vector, 241 marginal, 248 Funci on de probabilidad, 99 condicional, 255 conjunta, 233 marginal, 245
Indice anal tico Funci on de probabilidad sim etrica, 145 indicadora, 15, 99 Funci on de probabilidad condicional, 107 Funci on generadora de momentos, 153 de probabilidad, 147 F ormula -s de derivaci on, 296 -s de integraci on, 296 -s para exponentes, 294 -s para logaritmos, 294 -s para sumas, 295 de inclusi on-exclusi on, 40 Imagen inversa, 92 denici on, 98 propiedades, 98 Independencia condicional, 83 de eventos, 75 de variables aleatorias, 121, 250 de varios eventos, 77 Kolmogorov, A. N., 88 Laplace, P.-S., 86 Lema de Abel, 297 Ley de los grandes n umeros, 274 Leyes de De Morgan, 10 Media, 126 Mediana, 146 Medida de probabilidad, 32 continuidad, 83 otras propiedades, 38 Momento -s, 142 -s absolutos, 144 -s absolutos centrales, 144 -s centrales, 144 -s generalizado, 144 Notaci on o peque na, 297 Ordenaciones con repetici on, 48 sin repetici on, 49
307
Paradoja de San Petersburgo, 134 Permutaciones, 50 Potencia de un conjunto, 11 Principio de multiplicaci on, 47 Probabilidad, 32 axiom atica, 31 cl asica, 18 condicional, 59 conjunta, 233 de Laplace, 19 de un evento, 18 frecuentista, 28, 277 geom etrica, 20 marginal, 245 subjetiva, 30 Problema de cumplea nos, 55 Producto Cartesiano, 12 Suceso, 5 Teorema central del l mite, 280
308 de Bayes, 70 de cambio de variable, 118 de equipartici on asint otica, 280 de probabilidad total, 65 del binomio, 51 extensi on, 58 del estad stico inconsciente, 127 multinomial, 53 Tri angulo de Pascal, 51 Urna de Polya, 63 Valor esperado, 126 promedio, 126 Variable aleatoria, 91 continua, 96 discreta, 96 distribuci on de una, 115 Varianza, 136 propiedades, 138 Vector aleatorio, 231 continuo, 231 discreto, 231
Indice anal tico

Prob1 Ago2013

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Prob1 Ago2013

Загружено:

Авторское право:

Доступные форматы

Introducci on a la probabilidad

Contenido . . . . . . . . . . . . . . . . . . . . 142 145 147 153

5. Teoremas l mite 267 5.1. Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . 267

Blaise Pascal (Francia 16231662)

Pierre de Fermat (Francia 16011665)

1.1. Experimentos aleatorios

1.2. Espacio muestral

1.2. Espacio muestral c ) Lanzar un dado hasta que se obtiene un 6.

Operaciones con conjuntos

1.3. Operaciones con conjuntos

10 y tambi en son distributivas, es decir,

Figura 1.3 Recordemos adem as las muy u tiles leyes de De Morgan: pA X B qc Ac Y B c . pA Y B qc Ac X B c ,

1.3. Operaciones con conjuntos

1.3. Operaciones con conjuntos

pa1 , b1 q pa1 , b2 q pa1 , b3 q pa2 , b1 q pa2 , b2 q pa2 , b3 q

d ) Si A X B H entonces A Y B c B c . e ) Si A B entonces A Y pB Aq B . f ) pAc X B q Y pA X B c q pA X B qc .

1.3. Operaciones con conjuntos

e ) A X pB C q pA X B qpA X C q. f ) A Y pB C q pA Y B qpA Y C q. Sugerencia: Utilice un diagrama de Venn.

c ) 1AYB p q 1A p q ` 1B p q 1AXB p q. n d ) 1n p q 1Ai p q. i 1 A i

e ) Si A1 , . . . , An son eventos ajenos dos a dos, entonces 1n p q i 1 A i 1Ai p q.

d ) D p|x y | 1{4q Y p|1 x y | 1{4q.

1.3. Operaciones con conjuntos

E La persona escogida cuenta con un empleo.

sica 1.4. Probabilidad cla

Probabilidad geom etrica

trica 1.5. Probabilidad geome

cuando el concepto de area del subconjunto A est a bien denido.

trica 1.5. Probabilidad geome

1. P pq 1. 2. P pAq 0 para cualquier evento A. 3. P pA Y B q P pAq ` P pB q cuando A y B son ajenos.

trica 1.5. Probabilidad geome

trica 1.5. Probabilidad geome

1.6. Probabilidad frecuentista

30 1. P pq 1. 2. P pAq 0 para cualquier evento A. 3. P pA Y B q P pAq ` P pB q

cuando A y B son ajenos.

tica 1.8. Probabilidad axioma

Probabilidad axiom atica

Proposici on 1.1 Para cualquier evento A,

tica 1.8. Probabilidad axioma

Proposici on 1.3 Si A B , entonces P pAq P pB q.

Proposici on 1.5 Para cualquier evento A, 0 P pAq 1.

tica 1.8. Probabilidad axioma

(a) A Y B Figura 1.12

tica 1.8. Probabilidad axioma

Proposici on 1.7 Para cualesquiera eventos A, B y C , P pA Y B Y C q P pAq ` P pB q ` P pC q ` P pA X B X C q.

P pA Y B q ` P pC q P ppA Y B q X C q P pAq ` P pB q P pA X B q ` P pC q P ppA X C q Y pB X C qq

c h ) P pA1 X A2 q 1 P pAc 1 q P pA2 q. n i ) P pA1 X A2 X X An q 1 P pAc i q. i 1

c l ) Si A1 X A2 A entonces P pAc 1 q ` P pA2 q. n n m ) Si Ai A entonces P pAc q P pAc i q. i 1 i 1

j ) Si A1 X A2 A entonces P pAq P pA1 q ` P pA2 q 1. n n k ) Si Ai A entonces P pAq P pAi q pn 1q.

n ) Si A1 , . . . , An tienen probabilidad cero entonces P p

tica 1.8. Probabilidad axioma

n ) Si A1 , . . . , An tienen probabilidad uno entonces P p

d ) Si P pAq P pB q entonces A B . e ) Si P pAq P pB q entonces A B .

h ) Si P pAq P pB q 0 entonces P pA Y B q 0. j ) Si A X B C entonces P pC c q P pAc q ` P pB c q. i ) Si P pAq P pB q 1 entonces P pA X B q 1.

45. Sean A y B eventos tales que P pAq p, P pB q q y P pA X B q r. Encuentre:

1. Probabilidad elemental c ) P pAc X B c q.

lgebras 1.9. Sigmas a

A los elementos de F se les llama eventos.

lgebras 1.9. Sigmas a

1.10. Espacios de probabilidad

lisis combinatorio 1.11. Ana

n objetos Urna Figura 1.14

lisis combinatorio 1.11. Ana

lisis combinatorio 1.11. Ana