Documente Academic
Documente Profesional
Documente Cultură
(finito)
RXY xi , y j con i 1,2,...,n y j 1,2,..m x1 , y1 ,x1 , y2 ,...,xn , ym
Los recorridos no numerables son regiones o subconjuntos no numerables del plano Euclidiano. Por
ejemplo:
RXY x , y : a x b; c y d
(no numerable)
102
RXY x, y : x 2 y 2 1
(no numerable)
cuyas grficas se pueden apreciar en la figura siguiente. Notar en el ltimo recorrido, X es v.a. continua
e Y discreta.
y
y
3
c3
2
1
c1
0
RXY
0
0
c2
-1
-1
Clasificaremos a las variables aleatorias bidimensionales de la siguiente manera:
X ,Y es v.a. bidimensional discreta si X e Y son discretas
X ,Y es v.a. bidimensional continua si X e Y son continuas
El caso X continua, Y discreta (o viceversa) no lo consideramos.
Sea X ,Y una variable aleatoria bidimensional discreta y sea RXY su recorrido (numerable). Sea
p : RXY R una funcin que a cada elemento xi , y j le asigna un nmero real pxi , y j tal que
a) pxi , y j 0 xi , y j RXY
b)
xi , y j RXY
pxi , y j pxi , y j 1
i
A esta funcin la llamaremos funcin de probabilidad puntual conjunta de la variable aleatoria bidimensional X ,Y . En forma abreviada la designaremos fdp conjunta.
Sea X ,Y una variable aleatoria bidimensional continua y sea RXY su recorrido (no numerable). Sea
f : RXY R una funcin que, a cada punto x , y de RXY le asigna un nmero real f x , y tal que
a) f x, y 0
b)
x, y R 2
f x, y dxdy 1 .
R2
Ejemplos:
1-Dos lneas de produccin, sealadas I y II, manufacturan cierto tipo de artculo a pequea escala. Supngase que la capacidad mxima de produccin de la lnea I es cinco artculos por da, mientras que
para la lnea II es 3 artculos/da. Debido a los innumerables factores presentes en todo proceso de produccin, el nmero de artculos realmente producido por cada lnea puede pensarse como una variable
aleatoria. En conjunto podemos pensar en una variable aleatoria bidimensional X ,Y discreta, donde la
primera componente X corresponde a la produccin de la lnea I y la segunda componente Y a los artculos que salen de la lnea II. La fdp conjunta correspondiente a variables aleatorias bidimensionales
suele presentarse, por comodidad, como una tabla. Supongamos que la para la v.a. X ,Y que nos interesa aqu la tabla correspondiente a pxi , y j es
Y X
0
1
2
3
0
0.01
0.01
0.01
0.01
0.02
0.03
0.02
0.03
0.04
0.05
0.04
0.05
0.05
0.05
0.06
0.07
0.06
0.05
0.06
0.09
0.08
0.06
0.05
P B P X Y
px , y 0.01+0.03+0.05+0.07+0.09+0.04+0.05+0.06+0.08+
3
y j 0xi y j
+0.05+0.05+0.06+0.06+0.05=0.75.
2- Hay tres cajas registradoras a la salida de un supermercado. Dos clientes llegan a las cajas en diferentes momentos cuando no hay otros clientes ante aquellas. Cada cliente escoge una caja al azar e independientemente del otro.
Sean las variables aleatorias X: n de clientes que escogen la caja 1 e Y: n de clientes que escogen la
caja 2. Hallar la fdp conjunta de (X,Y)
Podemos suponer que el espacio muestral original S es el conjunto de pares ordenados
S (1,1); (1,2); (1,3); (2,1); (2,2); (2,3); (3,1); (3,2); (3,3) donde la primera componente del par indica la
caja elegida por el cliente 1 y la segunda componente del par indica la caja elegida por el cliente 2.
104
P( X 2, Y 0)
1;
9
P( X 0, Y 1)
2,
9
P( X 1, Y 1)
2,
9
P( X 1, Y 2) P( X 2, Y 2) 0
0
1/9
2/9
1/9
1
2/9
2/9
0
2
1/9
0
0
3- Supongamos que una partcula radiactiva se localiza aleatoriamente en un cuadrado con lados de longitud unitaria. Es decir, si se consideran dos regiones de la misma rea, la partcula tendr igual probabilidad de estar en cualquiera de ellas. Sean X e Y las coordenadas que localizan la partcula. Un modelo
adecuado para la distribucin conjunta de X e Y sera considerar a (X, Y) continua con fdp dada por
1 si 0 x 1; 0 y 1
f ( x, y )
0 caso contrario
Es conveniente hacer un grfico en el plano del dominio de la fdp
Por lo tanto
0.40.2
P( X 0.2, Y 0.4)
X 0.2, Y 0.4
105
f x, y
0 para x, y RXY
R XY
1
reaRXY
1
y=x
y = x2
0
0
x2
reaRXY dx dy x x 2 dx
6
f x, y
0
1
. Por lo tanto
6
X 2 Y 0 Y 1 Y 2 Y 3
X 2 Y 0 X 2 Y 1 X 2 Y 2 X
2 Y 3
Entonces
P X 2
PX 2 Y 0 PX 2 Y 1 PX 2 Y 2 PX 2 Y 3
3
P( X 2, Y 0) P( X 2, Y 1) P( X 2, Y 2) P( X 2, Y 3) P( X 2, Y j )
j 0
P X i P( X i, Y j )
i 0,1,...,5
j 0
PY j P( X i, Y j )
j 0,1,2,3
i 0
pxi P X xi pxi , y j
m
(i=1,2,,n)
j 1
i 1
107
q1 PY 1 p0,1 p1,1 p2,1 p3,1 p4,1 p5,1 0.01 0.02 0.04 0.05 0.06
0.26
Observemos que se verifica la condicin de normalizacin para cada una de las marginales:
5
xi 0
y j 0
0.2 1
P( X 0.2) P( X 0.2, Y )
0 0
P( X x) P( X x, Y )
f ( x, y)dydx g ( x)dx
donde
f ( x, y)dy g ( x)
P(Y y) P( X , Y y )
f ( x, y)dxdy
h( x)dx
donde
f ( x, y)dy h( x)
g x
f x , y dy
h y
f x, y dx
108
Pa X b P a X b , Y f x , y dydx
a
b
g x dx
a
Ejemplo: Consideremos nuevamente la v.a. continua (X,Y) uniformemente distribuida cuyo recorrido
RXY dibujamos otra vez
y
2
1
y=x
y = x2
0
0
f x, y
0
2
0 x 1
f x , y dy 6dy 6 x x
g x
x2
para los dems valores
0
f x, y dx
h y
0
6dx 6
yy
0 y 1
109
0
0.01
0.01
0.01
0.03
0.01
0.02
0.03
0.02
0.08
0.03
0.04
0.05
0.04
0.16
0.05
0.05
0.05
0.06
0.21
0.07
0.06
0.05
0.06
0.24
0.09
0.08
0.06
0.05
0.28
0.25
0.26
0.25
0.24
1
Supongamos que deseamos conocer la probabilidad de que la lnea I produzca tres artculos sabiendo
que la lnea II ha fabricado dos. Tenemos que calcular una probabilidad condicional. Entonces
P X 3 , Y 2
p3,2 0.05 0.2
P X 3 Y 2
PY 2
q2
0.25
En general definimos la funcin de probabilidad puntual de X condicional a Y como sigue:
pxi , y j
p xi y j P X xi Y y j
, es decir como el cociente de la funcin de probabilidad conjunqy j
b) Caso continuo
Como ocurre con la variables aleatoria continuas en general, el definir la probabilidad condicional de
ocurrencia de un valor dado de una de las variables aleatorias del par X ,Y supuesto que ocurri la
otra, presenta las dificultades conocidas relacionadas con el hecho de que la probabilidad de un punto es
cero. Entonces probabilidades tales como P X xi Y y j tienen el problema que PY y j 0 .
Sea X ,Y una variable aleatoria bidimensional continua cuya fdp conjunta es f x , y . Sean g x y
h y la fdp marginales de X e Y, respectivamente. Definimos la funcin de densidad de probabilidad de
X condicional a que Y=y, a la que denotaremos g x y , de la siguiente manera:
g x y
f x , y
h y
con h y 0 .
110
Anlogamente, la funcin de densidad de probabilidad de Y condicional a que X=x, a la que denotaremos h y x , se define:
h y x
f x , y
g x
con g x 0 .
Pa X b Y c g x c dx
f x ,c dx
a
hc
Observemos que si quisiramos calcular esta probabilidad usando la fdp conjunta, es decir, refirindonos
al recorrido completo, llegaramos a una indeterminacin:
Pa X b Y c
Pa X b Y c
PY c
c
c
dx dyf x , y
dx dyf x , y
0
.
0
Notar la diferencia entre la funcin de densidad de probabilidad condicional g x y y la funcin de densidad de probabilidad marginal g x :
b
g x dx Pa X b,
mientras que
g x y dx Pa X b Y y .
a
Ejemplo:
Una mquina vendedora de refrescos se llena al principio de un da dado con una cantidad aleatoria Y, y
se despacha durante el da una cantidad aleatoria X (medida en galones). No se le vuelve a surtir durante
el da y entonces X Y
Se ha observado que (X,Y) tienen la densidad conjunta
1 / 2
f ( x, y )
0
si 0 x y; 0 y 2
caso contrario
Hallamos la densidad condicional de X dado Y. Para esto primero encontramos la fdp marginal de Y
y
(1 / 2) y si 0 y 2
(1 / 2)dx si 0 y 2
h( y ) f ( x, y )dx
0
0 caso contrario
0 caso contrario
h( x | y )
1/ 2
(1 / 2) y
f ( x, y )
h( y )
si
0 x y2
caso contrario
1
y
0
si 0 x y 2
caso contrario
1/ 2
P( X 1 / 2 | Y 1)
f ( x | y 1)dx 1dx 2
1
Notar que si la mquina hubiera contenido 2 galones al principio del da, entonces
1/ 2
P( X 1 / 2 | Y 2)
1/ 2
f ( x | y 1)dx
1
2
dx
1
4
q y j las correspondientes fdp marginales de X e Y. Decimos que X e Y son variables aleatorias independientes si y slo si
f x , y g x h y x , y R 2
112
Observacin: Notar que para poder afirmar la independencia de X e Y debe cumplirse la factorizacin
de la fdp conjunta como producto de las fdp marginales para todos los pares de valores de la v.a. X ,Y .
Por lo tanto, para verificar la independencia es necesario demostrar la validez de la factorizacin para
todos los pares. En cambio, es suficiente encontrar un solo par que no la verifica, para afirmar, de acuerdo con la definicin, que las variables X e Y son no independientes, es decir, que son dependientes. Esto
es, para demostrar la dependencia es suficiente con encontrar un solo par que no verifique la factorizacin sealada.
Vimos que dos sucesos A y B son independientes si y slo si PA B P A y PB A PB (donde
por supuesto deba ser P A 0 y PB 0 ). En trminos de variables aleatorias, esta forma de ver la
independencia se manifiesta en la igualdad entre las fdp condicionales y las correspondientes fdp marginales, como demostramos en este
Teorema
a) Sea X ,Y una variable aleatoria bidimensional discreta cuyas fdp conjunta, condicionales y margina-
pqxy, y pxqyqy px
p xi y j
Aqu la primera igualdad es la definicin de fdp condicional y la segunda sale de la definicin de independencia al suponer que X e Y son independientes.
)
Supongamos que se verifica a1). Entonces xi , y j RXY
p xi y j pxi
pxi , y j
q y j
Aqu, la primera implicacin se debe a la definicin de fdp condicional y la tercera a la definicin de v.a.
independientes.
b) Tambin demostramos slo b1) y dejamos como ejercicio demostrar la equivalencia entre b1) y b2).
)
Sean X e Y variables aleatorias independientes. Entonces x , y R 2
f x , y g x h y
g x y
g x
h y
h y
Aqu la primera igualdad es la definicin de fdp condicional y la segunda sale de la definicin de independencia al suponer que X e Y son independientes.
)
Supongamos que se verifica b1). Entonces x , y R 2
g x , y
g x y g x
g x f x , y g x h y X e Y independientes.
h y
Aqu, la primera implicacin se debe a la definicin de fdp condicional y la tercera a la definicin de v.a.
independientes.
Ejemplos:
1- Supongamos que una mquina se usa para un trabajo especfico a la maana y para uno diferente en
la tarde. Representemos por X e Y el nmero de veces que la mquina falla en la maana y en la tarde
respectivamente. Supongamos que la tabla siguiente da la funcin de probabilidad conjunta pxi , y j de
la variable aleatoria bidimensional discreta X ,Y .
Y/X
q(yj)
0
1
2
P(xi)
0.1
0.04
0.06
0.2
0.2
0.08
0.12
0.4
0.2
0.08
0.12
0.4
0.5
0.2
0.3
1
0.4 p2 . Para demostrar la independencia por este camino habra que deq1
0.2
mostrar que se cumple la condicin para el resto de los pares de valores. Se deja este clculo como ejercicio optativo.
p2 1
2- Sean X e Y v.a. continuas que representan el tiempo de vida de dos dispositivos electrnicos. Supongamos que la fdp conjunta de la v.a. continua X ,Y es:
e x y 0 x , 0 y
f x, y
0 para los dems valores
g x
h y
f x , y dy e
f x , y dx e
x y
dy e x
x y
dx e y
g x
0
para los dems valores
e y
0 y
h y
0
para los dems valores
f x, y g x h y
0
para los dems valores
x
0 x
f x, y y e
2
g x y
e
g x x.y R
h y
0 para los dems valores
115
8 xy 0 x y 1
f x, y
0 para los dems valores
y=x
1
RXY
1
2
8 xydy 4 x 1 x 0 x 1
g x x
0 para los dems valores
y
3
8 xydx 4 y 0 y 1
h y 0
0 para los dems valores
f x , y 8xy 16 x 1 x 2 y3 g x h y .
2- Podemos observar del ltimo ejemplo, que puede ocurrir que an cuando la funcin f x , y ya est
escrita en forma factorizada como una funcin slo de x por una funcin slo de y, las variables X e Y
no sean independientes puesto que el dominio es tal que hace que las variables sean dependientes. As,
en el ejemplo anterior, el recorrido RXY X ,Y : 0 x y 1 condiciona los valores que toma x a
los valores que toma y.
3- El concepto de independencia entre dos variables aleatorias se puede generalizar a n variables aleatorias X 1 , X 2 ,..., X n
117
Xi
i 1,2,..., n
0
caso contrario
Notar que a cada X i se la puede considerar B(1, p) , y adems X 1 , X 2 ,..., X n son independientes
Podemos escribir Z X 1 X 2 ... X n
2- Sea Z v.a. binomial negativa con parmetros r y p, es decir Z ~ BN (r, p)
Si definimos
X 1 : nmero de repeticiones del experimento requeridos hasta el 1 xito
X 2 : nmero de repeticiones del experimento adicionales requeridos hasta el 2 xito
X 3 : nmero de repeticiones del experimento adicionales requeridos hasta el 3 xito
Y en general
X i : nmero de repeticiones del experimento adicionales despus del (i-1)simo xito requeridos hasta
el i-simo xito
Entonces cada variable tiene distribucin geomtrica con parmetro p y Z X 1 X 2 ... X r
Notar adems que X 1 , X 2 ,..., X r son independientes
una funcin real de dos variables z H x , y de manera que podemos definir una variable aleatoria Z
que es funcin de la variable aleatoria bidimensional X ,Y de la forma Z H X ,Y . Si la fdp de Z es
qzi , si Z es discreta, o qz si es continua, entonces la esperanza matemtica de Z es, de acuerdo con
la definicin general,
E Z
z .qz
x i R X
E Z
(para Z discreta)
zqz dz
(para Z continua)
Nuevamente lo interesante es considerar la posibilidad de evaluar E Z sin tener que calcular previamente la fdp de Z. El siguiente teorema nos muestra cmo hacerlo.
Teorema Sea (X,Y) una variable aleatoria bidimensional y sea Z=H(X,Y) una variable aleatoria que es
funcin de (X,Y).
a) Si Z es variable aleatoria discreta que proviene de la variable aleatoria bidimensional discreta (X,Y)
cuyo recorrido es RXY y su fdp conjunta es pxi , y j , entonces:
E Z EH X ,Y
H x , y px , y
xi , y j R XY
b) Si Z es variable aleatoria continua que proviene de la variable aleatoria continua bidimensional (X,Y)
cuya fdp conjunta es f x , y , entonces:
118
E Z EH X ,Y
H x, y f x, y dxdy .
hr 9
0 dems valores
Nos interesa considerar el voltaje v i.r de manera que podemos definir la variable aleatoria V I .R .
Especficamente deseamos conocer el valor esperado o esperanza matemtica del voltaje: E V .
Usando la propiedad establecida en el teorema anterior:
2i 0 i 1
g i
0 dems valores
E V
H i ,r . f i ,r didr . Ahora bien, puesto que consideramos que I y R son variables aleatorias
independientes, la fdp conjunta de la v.a. bidimensional (I,R) es simplemete el producto de las marginales o sea de las fdp de las variables aleatorias I y R tomadas como variables aleatorias unidimensionales:
f i ,r g i .hr , es decir:
2 2
i .r si 0 i 1 y 0 r 3
f i ,r 9
dems valores
0
Entonces
3
2
2
3
E V dr dii.r . i.r 2 r 3dr i 2 di
9
90
2
0
0
0
Esperanza de una suma de variables aleatorias
Sean X e Y dos variables aleatorias arbitrarias. Entonces E X Y E X EY .
Dem.) en el teorema anterior consideramos H ( x, y) x y
Si (X,Y) es discreta
E Z EH X , Y
H x , y px , y ( x
xi , y j RXY
( xi , y j )R XY
y j ) p ( xi , y j )
E Z
(x
( xi , y j )RXY
y j ) p ( xi , y j )
i
( xi , y j )RXY
p ( xi , y j )
j
( xi , y j )R XY
p ( xi , y j )
119
xi p( xi , y j ) y j p( xi , y j ) xi p( xi , y j ) y j p( xi , y j )
i
Pero
p( x , y
i
) p ( xi ) y
p( x , y
i
) q( y j ) , por lo tanto
xi p( xi ) y j q( y j ) E ( X ) E (Y )
i
n
n
E X1 E X i
i 1 i 1
(leeremos: la esperanza de la suma es la suma de las esperanzas)
Dem.) Se deduce por induccin completa sobre el nmero n de variables aleatorias.
n
n
E ai X i ai E X i .
i 1
i 1
Ejemplos:
1- Vamos a aplicar algunas de las propiedades anteriores para calcular de una manera alternativa la esperanza matemtica de una variable aleatoria X distribuida binomialmente.
Sea entonces una v.a. XB(n,p).
Ya vimos que podemos escribir X X 1 X 2 ... X n donde cada X i se la puede considerar B(1, p) ,
y adems X 1 , X 2 ,..., X n son independientes
Entonces
E ( X i ) 1 P( X i 1) 0 P( X i 0) P( X i 1) p para cualquier i
Por lo tanto
E ( X ) E X 1 X 2 ... X n E X 1 E X 2 ... E X n p p ... p np
n veces
2- El espesor X de una cua de madera (en milmetros) tiene una funcin de densidad de probabilidad
3 3 x 52
4 x6
f ( x) 4
4
0
en otro lado
a) Determine E(X)
b) Si Y denota el espesor de una cua en pulgadas (1mm = 0.0394 pulgadas), determine E(Y)
c) Si se seleccionan tres cuas de manera independiente y las apilamos una encima de otra, encuentre la me-
120
4
4
4
2
( x 5) dx 5
i = 1, 2, 3
Observacin: muchas veces es conveniente descomponer una variable aleatoria como suma de otras ms
simples para facilitar los clculos
3- Esperanza de una v.a. binomial negativa (optativo)
Cuando se trat la v.a. binomial negativa se dijo cul era su esperanza. Ahora damos una demostracin
Sea X v.a. binomial negativa con parmetros r y p, es decir X ~ BN (r, p)
Si definimos
X 1 : nmero de repeticiones del experimento requeridos hasta el 1 xito
X 2 : nmero de repeticiones del experimento adicionales requeridos hasta el 2 xito
X 3 : nmero de repeticiones del experimento adicionales requeridos hasta el 3 xito
Y en general
X i : nmero de repeticiones del experimento adicionales despus del (i-1)simo xito requeridos hasta
el i-simo xito
Entonces cada variable tiene distribucin geomtrica con parmetro p y X X 1 X 2 ... X r
Por lo tanto
1 1
1
1 r
E ( X ) E X 1 X 2 ... X r E X 1 E X 2 ... E X r ... r
p p
p
p p
r veces
Xi
0 caso contrario
1 N 1
1 n 1 n
E ( X i ) P( X i 1)
N
N
n
Por lo tanto
121
E ( X ) E X 1 X 2 ... X M E X 1 E X 2 ... E X Mr
n n
n
n nM
... M
N
N
N
N
N
M veces
H x, y f x, y dxdy , tenemos:
E X .Y
f x , y g x h y , donde g x y h y son las fdp marginales de X e Y que sabemos coinciden con las
fdp de X e Y tomadas como variables aleatorias unidimensionales. Luego:
E X .Y
x.y g x h y dxdy xg x dx yh y dy
E X .E Y ,
hr 9
0 dems valores
Nos interesa considerar el voltaje v i.r de manera que podemos definir la variable aleatoria V I .R .
Hallar el valor esperado o esperanza matemtica del voltaje: E V .
Como I y R son independientes, usando la propiedad anterior
2i 0 i 1
g i
0 dems valores
EV E ( I ) E ( R)
122
i3
E ( I ) i (2i )di 2
3
0
E (V )
r2
E ( R) r
9
0
3
1 r4
dr
9 4
1 34
1
9 9
2
2
1
3
3
V X Y V X V Y 2 XY
con XY E X .Y E X .EY
V X Y E X 2 2.X .Y Y 2 E X E Y
E X 2 2 E X .Y E Y 2 E X 2 E X E Y E Y
2
Agrupando convenientemente:
V X Y E X 2 E X E Y 2 E Y 2E X .Y E X E Y
V X V Y 2E X .Y E X E Y
2
, es decir
V X Y V X V Y 2 XY
Observaciones:
1- Teniendo presente la definicin de la desviacin estndar de una v.a. X: X V X , vemos que a la
propiedad anterior la podemos escribir:
V X Y X2 Y2 2 XY
n
n
V X1 X 2 ... X n V X1 V X 2 ... V X n o, en forma ms compacta, V X i V X i .
i 1 i 1
5- Vemos que la esperanza de la suma de dos variables aleatorias X e Y es igual a la suma de las esperanzas E X Y E X EY cualesquiera sean X e Y . En cambio la varianza de la suma de las variables aleatorias X e Y es, en general, igual a la suma de las varianzas, V X Y V X V Y , slo si
X e Y son variables independientes.
Ejemplos:
1- Podemos ejemplificar la aplicacin de las propiedades de la varianza, calculando nuevamente la varianza de una v.a. X distribuida binomialmente con parmetros n y p.
Sea entonces una v.a. XB(n,p). Vimos que se puede escribir:
X X 1 X 2 ... X n , donde las n variables aleatorias son independientes entre s y tienen todas la
misma distribucin:
X i B1, p i 1,2,...,n
Entonces, tratndose de n variables aleatorias independientes
V X V X 1 V X 2 ... V X n todas la varianzas son iguales y podemos escribir la suma como n
veces una cualquiera de ellas:
V X nV X i . Pero
V X i E X i2 E X i .
Ya vimos que E X i 1. p 01 p 0
2
Entonces: V X i E X i2 E X i p p 2 p1 p .
Luego:
V X nV X i np1 p
que es el resultado que habamos obtenido a partir de la definicin y llevando las sumas involucradas a
la forma del desarrollo de un binomio de Newton.
2
4.7 - Covarianza
Sean X e Y dos variables aleatorias. La covarianza de X e Y se define:
Cov( X , Y ) EX E X .Y EY E X .Y E X .EY
124
H x, y f x, y dxdy
X ,Y es
con H x , y x E X .y EY
x y 4 x y
P( X x, Y y )
x 0, 1, 2, 3 ; y 0, 1, 2 ; 1 x y 4
8
4
Es un ejemplo de v.a. hipergeomtrica bidimensional.
Tambin se podra haber presentado la f.d.p. conjunta en una tabla, donde tambin figuran las distribuciones marginales de X e Y.
125
X/Y
0
1
2
3
70
2
E( X ) 0
E (Y ) 0
15
70
30
70
40
70
30
70
15
70
5
70
15
28
0
1
2
0
2/70 3/70 5/70
3/70 18/70 9/70 30/70
9/70 18/70 3/70 30/70
3/70 2/70
0
5/70
15/70 40/70 15/70
3
7
y V (Y )
b) Son X e Y independientes?
5
15
0
70
70
Por lo tanto X e Y son dependientes, lo que implica que Cov( X , Y ) 0
P( X 0, Y 0) 0
pero
P( X 0) P(Y 0)
c) Cul es la Cov(X,Y)?
Cov( X , Y ) E( XY ) E( X ) E(Y )
2
3
E ( XY ) 0 0 0 0 1
0 2
70
70
3
18
9
1 0
1 1
1 2
70
70
70
9
18
3
20
2 1
2 2
70
70
70
3
2
90
3 0
3 1
3 2 0
70
70
70
9
7
Entonces Cov( X , Y ) E ( XY ) E ( X ) E (Y )
3
2
3
14
E ( Z ) E ( X Y ) E ( X ) E (Y )
V ( Z ) V ( X ) V (Y ) 2Cov( X , Y )
3
2
1 2.5
15
18
3
7
3
14
15
28
e) Supongamos que cada naranja cuesta 2$ y cada manzana cuesta 1.5$ entonces
126
51
28
(xi yi)
De la figura a se deducira que entre X e Y no hay ningn tipo de relacin funcional. La figura b sugiere
la posibilidad de que exista una relacin funcional que corresponde a una parbola. La figura c, por su
parte, sugiere una relacin lineal entre X e Y . Este ltimo es el comportamiento que nos interesa caracterizar. Con ese fin definimos el coeficiente de correlacin lineal como sigue:
Sea X ,Y una variable aleatoria bidimensional. Definimos el coeficiente de correlacin lineal entre
Cov( X , Y )
X e Y como XY
XY
En consecuencia:
XY
EX E X .Y E Y E X .Y E X .E Y
.
V X .V Y
V X .V Y
127
Daremos una serie de propiedades de XY que nos permitirn establecer ms concretamente su significado.
Propiedad 1
Si X e Y son variables aleatorias independientes entonces XY 0 .
Dem.) inmediata a partir del hecho que si X e Y son independientes entonces E( XY ) E( X ) E(Y )
Observacin: La inversa no es necesariamente cierta. Puede ser que XY 0 y sin embargo X e Y no
sean variables aleatorias independientes. En efecto si tenemos una v.a. bidimensional X ,Y que da
lugar a un diagrama de dispersin como el que se muestra en la figura, veremos que correspondera a un
coeficiente de correlacin lineal XY 0 y sin embargo la figura sugiere que entre X e Y existe la relacin funcional X 2 Y 2 1 , es decir X e Y son v.a. dependientes. En realidad, como veremos, XY es
una medida de la existencia de una relacin lineal entre X e Y y una circunferencia se aleja mucho de
una lnea recta.
y
1
-2
-1
-1
Propiedad 2 :
1 XY 1
Dem.)
Si consideramos la v.a.
X
Y
0 V
X Y
entonces
V ( X ) V (Y ) 2Cov( X , Y )
21 XY
2
XY
Y 2
X
Implicando que 1 XY
X
Y V ( X ) V (Y ) 2Cov( X , Y )
21 XY
Por otro lado: 0 V
2
XY
Y 2
X Y X
128
Implicando que XY 1
1 XY 1
Propiedad 3 :
2
Si XY
1 , entonces con probabilidad 1 es Y A.X B donde A y B son constantes.
2
Dem.) Si XY
1 entonces XY 1 o XY 1
Si XY 1 entonces de la demostracin anterior se deduce que
X
Y
X
Y
21 XY 0 , lo que implica que la v.a. Z
V
X Y
X Y
interpretacin de varianza podemos deducir (en forma intuitiva) que la v.a. no tiene dispersin con respecto a su esperanza, es decir la v.a. Z es una constante con probabilidad 1
Y
0
X
Si X e Y son dos variables aleatorias tales que Y A.X B , donde A y B son constantes,
2
entonces XY
1 . Si A 0 es XY 1 y si A 0 es XY 1 .
Observacin: Claramente las propiedades anteriores establecen que el coeficiente de correlacin lineal
es una medida del grado de linealidad entre X e Y.
129
Prctica
Variable aleatoria bidimensional
Funciones de variables aleatorias bidimensionales
1) Cierto supermercado tiene una caja de salida comn y una caja rpida. Denote por X1 el nmero de
clientes que estn en espera en la caja comn en un momento en particular del da, y por X2 el nmero de clientes en espera en la caja rpida al mismo tiempo. Suponga que la fdp conjunta de X1 y X2
es como se indica en la tabla siguiente:
X2
0
1
2
3
4
0
0.08
0.06
0.05
0.00
0.00
X1
1
0.07
0.15
0.04
0.03
0.01
2
0.04
0.05
0.10
0.04
0.05
3
0.00
0.04
0.06
0.07
0.06
a) Cul es P(X1 = 1, X2 = 1), esto es, la probabilidad de que haya exactamente un cliente en cada
lnea de espera?.
b) Cul es P(X1 = X2), esto es, la probabilidad de que los nmeros de clientes de las dos lneas de
espera sean iguales?
c) Sea A el evento de que haya por lo menos dos clientes ms en una lnea de espera que en la otra.
Exprese A en trminos de X1 y X2 y calcule la probabilidad de este evento.
d) Cul es la probabilidad de que el nmero total de clientes de las dos lneas de espera sea exactamente cuatro?. Y por lo menos cuatro?.
e) Determine la fdp. marginal de X1 y la fdp marginal de X2.
f) Por inspeccin de las probabilidades P(X1 = 3), P(X2 =0) y P(X1 = 3, X2 =0), son X1 y X2 variables aleatorias independientes?
2) Un almacn tiene en existencia 30 componentes de cierto tipo, 8 de los cuales fueron proporcionados
por el proveedor 1, 10 por el proveedor 2 y 12 por el proveedor 3. Se van a seleccionar al azar 2 de los
componentes para un conjunto en particular. Sea X: nmero de componentes seleccionados del proveedor 1, e Y: nmero de componentes seleccionados del proveedor 2.
a) Hallar la funcin de distribucin de probabilidad conjunta de (X, Y)
b) Hallar las distribuciones marginales de X e Y. Calcular E(X), E(Y), V(X), V(Y)
c) Son X e Y independientes?
3) Un ingeniero mide la cantidad , (por peso), de un contaminante particular en unas muestras de aire de
cierto volumen recogidas sobre la chimenea de una central de energa elctrica que funciona a carbn.
Sea X la cantidad del contaminante por muestra recogida cuando no est funcionando cierto dispositivo de limpieza en la chimenea, y sea Y la cantidad de contaminante por muestra recogida bajo las
mismas condiciones ambientales cuando el dispositivo est trabajando. Se observa que el comportamiento de la frecuencia relativa de X e Y puede tener el modelo :
K si 0 x 2 ; 0 y 1 ; 2y x
f(x,y) =
en otro lado
0
a) Determine el valor de K.
130
b) Calcule P(X 3Y) , es decir encuentre la probabilidad de que el dispositivo de limpieza reduzca la
cantidad de contaminante en un tercio o ms.
c) Si est funcionando el dispositivo limpiador, calcule la probabilidad de que la cantidad de contaminante en una muestra sea mayor que 0.5.
d) Dado que la cantidad de contaminante en una muestra obtenida cuando funciona el limpiador es
mayor de 0.5, calcule la probabilidad de que la cantidad de contaminante, si no hubiera funcionado
el dispositivo limpiador, hubiera sido mayor que 1.5
e) Dado que la cantidad de contaminante en una muestra obtenida cuando funciona el limpiador es
igual a 0.5, calcule la probabilidad de que la cantidad de contaminante, si no hubiera funcionado el
dispositivo limpiador, hubiera sido mayor que 1.5
f) Son independientes las cantidades de contaminantes por muestra recogida con y sin el dispositivo
de limpieza?.
4) Sean X e Y las proporciones de dos tipos diferentes de componentes de una muestra
de una mezcla de productos qumicos utilizada como insecticida.. Suponga que X e Y
tienen la funcin de densidad conjunta dada por :
2 si 0 x 1 ;
f(x,y) =
0
0 y 1; 0 x + y 1
en cualquier otro punto
a) Encuentre P(X ,Y )
b) Calcular P(X ,Y )
c) Calcule P(X | Y )
d) Calcule P(X | Y = )
e) Son X e Y independientes ?
5) La duracin Y para los fusibles de cierto tipo se representa por la fdp:
1 e y /3, y 0
f(y) 3
0 caso contrario
0
0.5
1
0.3
2
0.2
y
p(y)
0
0.6
1
0.1
2
0.05
3
0.05
4
0.2
b) Calcule P(X 1, Y 1)
c) Cul es la P( X+Y =0), (la probabilidad de no defectos)?
d) Calcule P(X+Y 1)
7) La longitud y el ancho, en pulgadas, de los paneles utilizados para puertas interiores son variables
aleatorias X e Y respectivamente. Suponga que X est distribuida uniformemente en el intervalo
(17.75, 18.25) e Y est distribuida de manera uniforme en (4.75, 5.25). Adems suponga que X e
Y son independientes. Determine la probabilidad de que el rea del panel sea mayor que 90 pulgadas.
8) La diferencia entre el nmero de clientes en la lnea de espera comn y el nmero de ellos en la lnea
de espera de la caja rpida del ejercicio 1) es X1-X2. Calcular la diferencia esperada.
9) Considere un pequeo bote transbordador que tiene capacidad para automviles y autobuses. La cuota para automviles es $3 y la de autobuses es $10. Denotamos por X e Y el nmero de automviles
y autobuses, respectivamente, transportados en un solo viaje, y suponga que la distribucin conjunta
de X e Y est dada por:
Y
0
1
0.025
0.015
0
0.050
0.030
1
0.125
0.075
X
2
0.150
0.090
3
0.100
0.060
4
0.050
0.030
5
Calcular el ingreso esperado de un solo viaje.
2
0.010
0.020
0.050
0.060
0.040
0.020
10) Un topgrafo desea trazar una regin cuadrada con cada lado de longitud L. Sin embargo, debido a
un error de medicin, traza un rectngulo en el que los lados norte-sur tienen ambos una longitud X
y los lados este-oeste tienen longitud Y. Suponga que X e Y son independientes y que cada uno tiene
fdp:
1
1
,
,
L A x L A
L A y L A
f ( x) 2 A
f ( y) 2 A
c.c
c.c
0,
0,
donde 0<A<L. Cul es el rea esperada del rectngulo resultante?
11) a) Determine la covarianza y la correlacin de las variables X e Y del ejercicio 2)
b) Determine la covarianza y la correlacin de las variables X e Y del ejercicio 4)
12) a) Determine V(X+ Y) para las variables X e Y del ejercicio 2)
b) Determine V(X+Y) para las variables X e Y del ejercicio 4)
c) Calcular la varianza del ingreso en un solo viaje para las variables del ejercicio 8)
132