Esperanza matemtica

1. Definicin Todos sabemos lo que es el promedio de un conjunto finito de datos; por

ejemplo, el promedio de los nmeros 4, 8,7, 9 y 6 es igual a 4+ 8+ 7+ 9+ 6 34

co 68

El promedio indica la posicin de los datos, por lo que se puede considerar como un representante de los mismos.
EJEMPLO 4.1. En la tabla 4.1 se presentan los datos observados de 60 tiradas de un dado no cargado,

TABLA

4.1 Resultados de 60 tiradas de un dado. frecuencia frecuencia X absoluta (fa) relativa (/,.) 1 8/60 8 11 2 11/60 3 13 13/60 4 9 9/60 5 8 8/60 11 6 11/60

ww w.

M at

Los valores en la tabla indican que de las 60 veces que se lanz el dado, en ocho de ellas apareci el 1, en once de ellas apareci el 2, etc. La frecuencia relativa de un valor es el resultado de dividir el nmero total de veces que apareci ese valor entre el total de datos observados.

em

at

ic

a1

.c o

El promedio X de los 60 resultados es igual a T60 x X 60 ~ (1 x 8) + (2 x 11) + (3 x 13) + (4 x 9) + (5 x 8) + (6 x 11) 60 = 3.5166. El promedio de los datos tambin se puede calcular sumando cada dato multiplicado por su frecuencia relativa:
60
=1

TABLA 4.2

Resultados observado y esperado de 60 tiradas de un dado. frecuencia frecuencia observada (/) relativa (/ r ) 8 8/60 11 11/60 13/60 13 9 9/60 8 8/60 11 11/60 frecuencia esperada probabilidad 10 1/6 10 1/6 10 1/6 10 1/6 10 1/6 10 1/6

X 1 2 3 4 5 6

El promedio "ideal"es igual a

ww

w.

El nmero 3.5166 indica la posicin promedio de los datos. Siguiendo esta idea, es posible calcular un "promedio terico ideal" o "promedio esperado" (el valor esperado) de una variable aleatoria, utilizando la frecuencia esperada en lugar de la frecuencia observada. Como cada cara del dado tiene la misma probabilidad de ser observada, entonces en un caso "ideal", al lanzar 60 veces el dado se esperara observar 10 veces cada valor; as, la frecuencia relativa esperada coincide con la probabilidad. Esto se resume en la tabla 4.2.

1T +
O

at

2- + 3 - + 4- + 5- + 6- = 3.5,
O O O O O

em

at

ic a1

.c om

lo que significa que, en condiciones "ideales", los datos se encuentran alrededor de 3.5. La grfica 4.1 muestra la frecuencia relativa observada y esperada de este experimento.
151510-: 5-:

lfc

31 4
3.5166

3t 4
3.5

frecuencia observada
FIGURA

frecuencia esperada

4.1 Frecuencia de las 60 tiradas de un dado.

/oo

E(X) = /
Joo

xfx(x)dx si X es una variable aleatoria continua.

El valor esperado de X se conoce como media de X. La media es una medida de posicin y se denota con la letra griega x. fi = iix = E(X). El valor esperado de una variable aleatoria X existe si y slo si la suma HiXifx{Xi) (o la integral E(X) = !T3ooxfx{x)dx) converge a un nmero real. 4.2. Encuentre el valor esperado para la variable aleatoria X, cuya funcin de densidad es igual a
EJEMPLO

fx(x) = 6*(1 - x) si 0 < x < 1.

ww

w.

E(X) = ^2xfx(x)

at

DEFINICIN 4.1. Dada una variable aleatoria X con funcin de densidad fx(x)9 se llama valor esperado de X, o esperanza matemtica de X9 al promedio "terico" o promedio esperado, y se calcula mediante

si X es una variable aleatoria discreta.

em

at

ic a1

.c om

Solucin La variable aleatoria es continua, y entonces su valor esperado es la integral

E(X) = xfx(x)dx = C
J-oo JO

6JC2(1

- x)dx =

= 0.5,,

La figura 4.2 muestra la funcin de densidad de X y su valor esperado.

4.3. Se prueban sucesivamente los artculos que van saliendo en una banda de produccin hasta que aparece el primer artculo defectuoso. Se sabe que el 5% de los artculos producidos son defectuosos, y X es la variable aleatoria que indica el nmero de intentos que debern realizarse antes de detenerse. Encuentre su valor esperado.
EJEMPLO

Solucin El estado de un artculo en la banda de produccin (defectuoso, no defectuoso) es independiente del estado de otro artculo en la misma banda de produccin. Entonces, los resultados de las sucesivas inspecciones son eventos independientes. El primer artculo defectuoso puede ser el primer artculo inspeccionado, pero tambin puede ser el segundo, o el tercero, etc. Esto significa que el recorrido de X es igual al conjunto de los nmeros naturales: X = 1,2, 3,4,...

ww

w.

FIGURA

4.2 Valor esperado de f(x) = 6x(l x).

at

em

at

ic a1

.c om

Ahora, observe que el evento X = k es equivalente al evento

k1 veces

donde b significa que el artculo inspeccionado es bueno y d que es defectuoso. La posicin de la coordenada indica el orden en que el artculo se inspeccion. Considerando que los resultados de las distintas inspecciones son independientes, se tiene que la funcin de densidad es

fx(k) = P(X = k) =

P(b,b,b,:..,bJd)
kl veces

= P(b)P(b)P(b)... P(b) P(d) = (O.95f-\O.OS),

]fc1 veces

y el valor esperado de X es igual a

k=l

Esta suma es de la forma _ por lo que

2

em

at
^

E(X) = Jkfx(k) = 0.05 (0.95)*-1.

k=l

ic a1
2 '"
O 05
w

.c om
_ ( 1 \ dx \1 xj'
d

ww

w.

__^n dx

at
dx VI JC7

(1-x)2'

Aplicando esta frmula al caso x = 0.95, se tiene que

Esto significa que en promedio se tendrn que hacer 20 observaciones para tener el primer artculo defectuoso. Es muy probable que el nmero de intentos para encontrar el primer artculo defectuoso se ubique alrededor del nmero 20.

TABLA

4.3 Espacio muestral de la tirada de dos dados.

at

em
(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)

P(Xi = k) = \, o para i = 1,2 y k = 1,2, 3, 4,5, 6. El espacio muestral de la tirada de dos dados se muestra en la tabla 4.3.

Segundo dado

ww

at

dado Primer < (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

ic a1

.c om

1.1 El juego de mayores y menores. El juego de azar de mayores y menores es muy popular en las ferias de pueblo. Se juega con dos dados y la ganancia, G, depende de la suma de los resultados en los dos dados. Si la suma es superior a siete ganan mayores; si es inferior a siete, ganan menores; y si es igual a siete, gana la casa. Una persona puede apostar a mayores o a menores; si gana recibe una cantidad igual a la apuesta, si pierde, se despide del dinero que apost. Si una persona est apostando 10 pesos a los mayores, cul ser su ganancia esperada en 12 juegos? Para tener la respuesta, primero se encuentra la funcin de densidad de la suma. Considere que X\ y X2 indican el resultado en el primer dado y en el segundo, respectivamente. La ganancia se determina mediante la suma Y = Xi+ X2. Si los dados no estn cargados, se tiene que

w.

a,i)
(2,1) (3,1) (4,1) (5,1) (6,1)

(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)

(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)

(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

Este espacio muestral tiene 36 elementos, y es equiprobable.

El rango o recorrido de Y est dado por RY = {% 3,4, 5, 6, 7, 8, 9, 10, 11, 12}. La funcin de densidad se encuentra contando cuntas parejas (Xh X2) dan cada valor de la suma Y = X\ + X2.

/ G (10) = P(G = 10) = P(Y > 7) =

at

em

Cuando una persona apuesta 10 pesos a los mayores, gana 10 pesos con una probabilidad igual a ^
Jo

/ G ( - 1 0 ) = P(G = -10) = P(Y < 7) = ^ . El valor esperado de la ganancia por cada juego es entonces E(G) = 10/G(10) + ( -

y la ganancia esperada de los doce juegos es igual a 12 x (-10/6) = - 2 0 . Se ve que la ganancia esperada es negativa, lo cual no significa que un jugador que apueste a los mayores siempre va ya a perder, sino que algunos juegos va a perder y otros va a ganar; sin embargo, es muy posible que pierda en la mayora de ellos, y es muy probable que su ganancia sea negativa.

ww

w.

y pierde 10 pesos con una probabilidad igual a

at

ic a1

/y(2) = l/36 (X1,X2) = (1,1), /r(3) = 2/36 (Xu X2) = (1,2), (2,1), /r(4) = 3/36 (Xh X2) = (1,3), (2,2), (3,1), /r(5) = 4/36 (Xh X2) = (1,4), (2,3), (3,2), (4,1), /r(6) = 5/36 (Xh X2) = (1,5), (2,4), (3,3), (4,2), (5,1), /r(7) = 6/36 (Xh X2) = (1,6), (2,5), (3,4), (4,3), (5,2), (6,1), /y(8) = 5/36 (Xu X2) = (2,6), (3,5), (4,4), (5,3), (6,2), /r(9) = 4/36 (Xh X2) = (3,6), (4,5), (5,4), (6,3), /r(lO) = 3/36 (Xh X2) = (4,6), (5,5), (6,4), /y(l 1) = 2/36 (Xu X2) = (5,6), (6,5), /y(12) = l/36 (XUX2) = (6,6).
.c om

Lo mismo ocurre para una persona que est apostando a los menores. En estos casos, la casa gana en promedio. Sin embargo, cul es la ganancia de la casa con dos jugadores, uno apostando a los mayores y el otro a los menores? En este caso, si uno de los jugadores gana, el otro pierde y se paga al ganador con la apuesta del perdedor: la casa no obtiene ganancia, pero tampoco pierde. Si la suma de los dos resultados es siete, ninguno de los jugadores gana, los dos pierden 10 pesos y la ganancia de la casa es igual a 20. Entonces, el recorrido de G es RG = {0, 20} y su funcin de densidad es
/G(20) =

6/36 = 1 / 6

/ G (0) = 30/36 = 5/6,

con la cual se calcula el valor esperado:

4.1. Un dado no cargado tiene en tres de sus caras el nmero 1, en dos de sus caras el nmero 4 y en la ltima cara el nmero 5. Se lanza el dado una vez, con X como la variable que indica el nmero de la cara que cae hacia arriba. Encuentre (a) el recorrido de X9 (b) la funcin de densidad de X, (c) el valor esperado de X, (d) a una casa de juego le convendra jugar?
EJERCICIO 4.2. Sea X una variable aleatoria continua cuya funcin de densidad es f(x) = JC/2 cuando 0 < x < 2, y cero en otro caso. Encuentre el valor esperado de X. EJERCICIO 4.3. Suponga que en una lotera se venden 10 000 boletos con valor unitario de un peso. El ganador recibe un premio de 5 000 pesos. Si alguien compra cuatro boletos, cul es su ganancia esperada? 158

ww

w.

EJERCICIO

at

em

o sea que tambin en este caso gana la casa. En este ejemplo se puede ver que la casa siempre gana, pues en un gran nmero de juegos (la casa juega todos los juegos) es muy probable que su ganancia promedio sea positiva. Ejercicios

at

ic a1

E(G) = 0/G(0) + (20)/G(20) = ( 0 + 20 (1) =f s

.c om

EJERCICIO 4.4. Un hombre apuesta a favor de un evento que tiene una probabilidad de 0.25 de ocurrir. Paga 100 pesos por apuesta, acordando que los perder si no ocurre el evento, pero recibir 300 pesos si ocurre ste. (a) Determine la ganancia esperada en un juego. (b) Le conviene jugar varias veces? EJERCICIO 4.5. Un vendedor de helados puede ganar 300 pesos en das soleados y 200 pesos en das lluviosos. Cul es la ganancia esperada un da en que la probabilidad de lluvia es 0.3?

2. Propiedades de la esperanza matemtica

TEOREMA 4.1. Dada una variable aleatoria X y U = h(X), una funcin de X, se tiene que E(U) = T,XieRx h(Xi)fx(xd en el caso discreto. E(U) = ^ h(x)fx(x)dx en el caso continuo.

que es lo que se quera demostrar. Caso continuo: E(U) = !^OQh{x)fx{x)dx. El caso continuo se probar nicamente cuando u = h(x) sea una funcin continua y diferenciable. E{h{X)) = h(x)fx(x)dx.
Joo

Se efecta el cambio de variable u = h(x)\ entonces x = h~l(u) y dx = [h~l(u)]fdu, quedando la integral

h{x)fx{x)dx = [ u fx(h-l(u))[h-\u)]fdu
Mu)

ww

w.

at

em
E "./"(.O = E{U),
ueRv

at
= E{U),

Demostracin Caso discreto: E(U) = J2XieRx teX/ifa).

que es lo que se quera probar. De acuerdo con el teorema anterior, el valor esperado de U se denota indistintamente como E(U) o como E(h(X)).
159

ic a1

.c om

TEOREMA

4.2. Dada C, una constante, E(C) = C.

El teorema afirma que si en un experimento siempre se obtiene un mismo valor, entonces el promedio esperado del experimento es ese valor nico. Demostracin Si se tiene una variable aleatoria X que toma un nico valor X = C, = entonces el recorrido de X es Rx = {C} y su funcin de densidad es fx(x) = l s i x = CyOen otro caso. As,

E(X) = Cfx{C) = C,
4.3. Sean X y Y dos variables aleatorias, y sea U = h(X, Y) una funcin continua y diferenciable; entonces el valor esperado de U es igual a
TEOREMA

E(U) = EM*'-> yj)fxr(xh yj),

cuando XyY son discretas. Demostracin Caso discreto: Considere la suma

y reagrupe los sumandos de manera que

'=1

\k,j\h(xk,yj)=u

que es lo que se quera demostrar. Caso continuo: Considere la integral

roo roo

ww

w.

Joo Joo

at

cuando XyY son continuas, y a

i j

em

E(U)= i" h(x,y)fxY(x,y)dxdy

h(x, y)fxYx, y)dxdy,

at

ic a1

.c om

que prueba el teorema.

y efecte el cambio de variable (u, v) = (h(x, y), x); entonces dxdy = \J\dvdu, donde J es el jacobiano de la transformacin. Haciendo la sustitucin se llega a
fuv(M,v)
roo roo roo roo / <*+
s

h(x,y)fXY(x,y)dxdy=

u
Joo Joo

fXY(x(u,v),y(u,v)\J\dvdu
Mu)

Joo Jo

= ufu(u)du = E(U),
Joo

Joo Joo roo roo

at

E(Z) = r
=
Joo
roo

H (ax+ by)fXY(x, y)dxdy, H

roo Joo fxM
roo

em

Demostracin Si Z = aX + bY, entonces

at
roo

Joo

ww

w.

ax

fxrix, y)dy dx +

ic a1

E(aX + bY) = aE(X) + bE(Y).

by.l
Joo

.c om

que es lo que se quera demostrar. TEOREMA 4.4 (Propiedad de linealidad). Si X y Y son dos variables aleatorias y ay b dos constantes, entonces

fxr(x, y)dx dy,

fy(x)

= /
Joo

axfx(x)dx + /
Joo

byf(y)dy = aE(X) + bE(Y).

COROLARIO 4.1. Si X y Y son variables aleatorias y ay b dos constantes, entonces se cumplen las siguientes proposiciones: E(aX) = aE(X). E(a + bX) = a + bE(X). E(X + Y) = E(X) + E(Y).

La demostracin se deja como ejercicio. 4.5 (Propiedad multiplicativa). Si X y Y son variables aleatorias independientes, entonces
TEOREMA

E(XY) = E(X)E(Y).

Demostracin Como XyY son variables aleatorias independientes, se tiene que /XY(X> y) = fx(x)fY(y) y entonces

E(XY) = [ xyfXY(x, y)dxdy

Joo Joo

= l xfx(x)dx H yfy{y)dy = E(X)E(Y),

Joo Joo

que es lo que se quera probar.

COROLARIO 4.2. Si XyY son dos variables aleatorias independientes, entonces para cualquier par defunciones: h(X) y g(Y), se tiene que

E(h(X)g(Y)) =

E(h(X))E(g(Y)l

donde k,T,my e son la constante de Boltzmann, la temperatura absoluta, la masa de la partcula y la energa cintica, respectivamente; y v = (Vx, vy, vz) es el vector de velocidad de la partcula con v2 = v2 + v2 + v2. Adems, si se considera a g = 1 y a la energa como una variable continua, la distribucin ms probable se puede reescribir como n = ce"^ con c = e~a\

el nmero de partculas en la regin determinada por

v = (vA, vyy vz)

ww

con las restricciones N = n y = J2 ni. Para el caso de un gas ideal, la energa en cada nivel y la constante /3 estn dadas por 1 1 2

w.

se puede presentar mediante el modelo continuo siguiente: /v = ce'^dv.

at

v + dv = (vx, vy, vz) + (dvx, dvy, dvz),

em

at

2.1 Aplicacin de la distribucin de Maxwell. En la seccin 1.5.2 se vio que la distribucin ms probable de un sistema de Maxwell de N partculas con energa total E, en diferentes niveles de energa, est dada por(n b n2, . . . , M ) , donde

ic a1

.c om

Para determinar el valor de c de esta expresin, se utiliza el hecho de que el total de partculas es N ( n,=N). En el caso continuo, la suma se transforma en integral: As,
/oo roo roo mQ^+v^+v*)

f$(v)dv = c

2*r

dvxdvydvz

Joo /oo Joo

Joo

Joo

Joo

de manera que

W \27TkTj La segunda se obtiene aplicando el teorema 3.5.3, generalizado a E3. Para encontrar la funcin de densidad de v = Jv% + v^ + v\ se introducen dos variables auxiliares, 6 y <f>, las cuales junto con v forman una transformacin de R3 en E3, invertible y dada por
Vj = v senteos <f>, vy = v sen 0 sen <f> y vz = vcos0,

donde 0 < ^ < 2 T T , 0 <0 <ir y 0 < v < o o . Como el valor absoluto del jacobiano de la transformacin es |7| = v2 sen 0, entonces

ww

w.

Con esta expresin se puede tener una funcin de densidad del vector v y de su magnitud, v. La primera es la expresin

at

em

at

ic a1

= c / =c V w ) \J-oo ) \ m ) De aqu se sigue que / m \3/2

= iV.

.c om

A partir de esta expresin, se encuentra la funcin de densidad marginal dev:

= r r f(v,<f>,o)dod<i>
Jo Jo

o Jo
3/2
m

sen dddd<f> sen OdO

\
Wo ^ Jo

277*77

entonces

ic a1
m m
/O17T\

La relacin Ngv(v)dv =

\27rkTj

ve

.c om
2

^^ 2kT

dv

Solucin El valor esperado de v se obtiene de la siguiente manera:

ww

w.

4.4. Encuentre el valor esperado de v y el valor esperado de la energa cintica de un gas ideal maxweliano.
EJEMPLO

at

em

indica el nmero de partculas con magnitud de velocidad entre v y v + dv y se conoce como distribucin de Maxwell.

at

7
Jo
1/2

'dv

2<nkT) 2 \2kTJ
m 2irkT) (2kT\ 2 _ \m) UT

La energa cintica esperada del sistema es igual a la suma (o la integral) de las energas (E = j X) ,,). Como v es continua, la suma se transforma en integral: = 2

v = ^ I" v2gv(v)dv = ^
2 Jo 2

El valor esperado de v2 es
2

= E(v2) = J v2gv(v)dv = 4TT { ^ )

m

3/2

j v'e-^
m

\V 2 3 / - / m

As,

con oo < vx, vy < oo, 0 < vz < oo y V como el volumen del horno. En coordenadas esfricas (v, 6, </>), la expresin anterior queda as: <>(v, <> 0)dv = ^ {^r^\ ,
V \277 /

ww

w.

Nvz ( m \ 3 / 2 2

at

Solucin El nmero de partculas que emergen a travs de un pequeo orificio (proceso de efusin) es igual al nmero de partculas que golpeara el rea ocupada por el orificio si ste estuviera cerrado. As que el nmero medio de partculas con velocidad entre v y v + v que golpea una unidad de rea de la pared por unidad de tiempo, est dado por

em

at

ic a1
)v{2^f)

w(v +v +v )

' ' ' ,

.c om

-c_m3kT_ 3kT ~~ 2 m "" 2 ' EJEMPLO 4.5. Considere un gas ideal contenido en un horno a una temperatura absoluta T, el cual escapa a travs de un pequeo orificio en la pared. El orificio es tan pequeo que no altera el equilibrio en el horno. Encuentre la funcin de densidad de la velocidad de las partculas que escapan del horno, as como la energa cintica esperada de ellas.

v V ^ f sen6eos6d6d<f>dv,

con 0 < <f) < 2TT, 0 < 6 < f y 0 < v < oo. De esta manera, el nmero medio de partculas con rapidez entre v y v + dv por unidad de rea de recipiente y por unidad de tiempo est dado por la funcin de densidad marginal de v: 72
\Jo Jo

SeneC0Sedd
3

\ N ( m

\3/2

irN ( m \W

El nmero total de partculas que chocan contra la pared por unidad de tiempo es >(v)dv = 7T (TTT^) V \2rrkTJ v V ^ dv Jo

\NA ( m \ 3 / 2 / 3 ^ , > V _ N N UT\l/2 U 4V UTTfcrJ Jo 4V U 4 V \ 7 r mj j J Jo La funcin de densidad de v de las partculas que escapan por el orificio del recipiente est dada por *(v) <
4\

v e~Tclv = -

at

00

..

m2 , v

ic a1

Con esta funcin de densidad se puede encontrar el valor esperado de v2, para despus calcular la energa promedio de las partculas que escapan: 1 / m\2 ( m \ " 3 AkT
i

.c om

As, la energa cintica esperada de las partculas que se escapan es

ww

w.

EJERCICIO 4.6. Suponga que en una lotera se venden 10 000 boletos a un peso cada uno para un premio de 6000 pesos, 2000 boletos a dos pesos cada uno para un premio de 1500 pesos y 3 000 boletos a 4 pesos cada uno para un premio de 2 500 pesos. Una persona compra dos boletos del primer tipo, uno del segundo tipo y tres del tercer tipo. Cul es su ganancia esperada? EJERCICIO 4.7. Un hombre apuesta a favor de un evento que tiene una probabilidad de 0.20 de que ocurra. Paga 100 pesos por apuesta, acordando que los perder si no ocurre el evento, pero recibir 300 pesos si ocurre el mismo. (a) Determine su ganancia esperada si al jugar dobla su apuesta. (b) Determine su ganancia esperada si apuesta 10 veces en este juego.

at

em

2\kTJ

\2kTJ

Ejercicios

EJERCICIO 4.8. Suponga que el nmero de pasajeros que sube a un microbs por viaje es una variable aleatoria cuya media es 50, y que el importe de un viaje por pasajero es una variable aleatoria cuya media es 2.80 pesos. Considerando que ambas variables son independientes, encuentre el ingreso esperado de un microbs por viaje.

4.9. Sea X una variable aleatoria continua con funcin de densidad de probabilidades fx(x) = (x + 2)/18, para x G (-2,4), y 0 en otro caso. Encuentre el valor esperado de X, de (X + 2)3 y de
EJERCICIO EJERCICIO 4.10. Considere fx(x) = 1/5, para x = 1,2,3,4,5, y 0 en otro caso. Calcule la esperanza de X, X2 y de (X + 2) 2 .

EJERCICIO 4.13. Sea X una variable aleatoria continua con funcin de densidad de probabilidades f(x). Si m es la mediana de la distribucin de X (P(X < m) = 1/2 y b es una constante real, demuestre que

E(\x - b\) = E(\x - ro|) - 2 fm(x - b)f(x)dx.

Jb

Para qu valor de b se hace mnimo E(\x b\)l 4.14. Suponga que en promedio 1500 personas entran a un cine diariamente, y que cada persona gasta en promedio $70. Cul es el ingreso promedio diario del cine?
EJERCICIO

ww

La varianza es una medida de la dispersin de los datos, cuya definicin formal es

w.

4.12. Una urna contiene 10 bolas, ocho de las cuales estn marcadas con el nmero 2, y dos con el nmero 5. Una persona saca de la urna tres bolas al azar sin reemplazo, y recibe tantos miles de pesos como marquen las tres bolas. Encuentre el valor esperado de la ganancia de esa persona.

3. La varianza

at

em

EJERCICIO

at

4.11. Sea X una variable aleatoria discreta con funcin de densidad de probabilidades f(x) diferente de cero en x = 1, 0,1. (a) Si f(0) = 1/2 y la esperanza de X es de 1/6, determine / ( I ) y / ( - I ) . (b) Con los datos de (a) determine la esperanza de X2.
EJERCICIO

ic a1

.c om

DEFINICIN 4.2. Dada una variable aleatoria X con funcin de densidad fx(x), se conoce como varianza de X al promedio de las diferencias al cuadrado entre cada valor y su media, y se denota como

l)2fx{x)dx,
1\(X

caso continuo.
caso discreto.

- i*)2fx{xi)>

Si los datos estn concentrados en un punto, la varianza es pequea; si los datos estn dispersos, la varianza es grande. La varianza de una variable aleatoria X se denota como a2 = V(X).
TEOREMA

dadfx(x\ Demostracin

Observe que /xx = E(X) es un valor constante; entonces, en la expresin V(X) = E{X - E{X))2 = E{X2 - 2Xfx se aplican las siguientes propiedades de linealidad:
T//"V\ EYV 2 \ TPCY2\

EYOV.. \ i E Y . . 2 \
=

at

em

at

ww

V(X) = tL\X ) tL\XlXx) + tLyfJLx)

w.

O , . 2 _L , . 2 J7Y2\

lo que demuestra el teorema.

TEOREMA 4.7. La varianza de una variable aleatoria X cumple las siguientes propiedades: 1. V(C) = 0, para cualquier constante C. 2. V(X + C) = V(X), para cualquier constante C. 3. V(CX) = C2V(X), para cualquier constante C. 4. V(X + Y) = V(X) + V(Y), siXyY son variables aleatorias independientes.

Demostracin 1. Considere la funcin h(X) = C; entonces E(h(X)) = E(C) = C y V(h(X)) = V(C) = E(C - E(C))2 = E(02) = 0.

ic a1
,.2

V(X) = E(X - E(X))2 = E(X2) - /x|.

J7/V 2 \

JZyX )

.c om

4.6. Dada una variable aleatoria X con funcin de densi-

Esta propiedad afirma que si en un proceso aleatorio siempre ocurre el mismo valor, en el proceso no hay variacin y su dispersin es nula. 2. Considere la funcin h(X) = X + C; entonces E(h(X)) = E(X + C) = E(X) + C y

V(h(X)) = V(X + C) = E(X + C- E(X + C)f = E(X + C- E(X) - C)2 = E(X - E(X)f = V(X). Esta propiedad afirma que si en un proceso aleatorio a cada posible valor se le suma una misma cantidad, se cambia su posicin pero no su dispersin. 3. Considere la funcin h(X) = CX; entonces E(h(X)) = E(CX) = CE(X), y

V(h(X)) = V(CX) = E(CX - E{CX)f = E(CX - CE(X)f = E(C2(X - E{Xf) = C2E(X - E(X))2 = C2V(X).

As,

V(X + Y) = E(X + Y- E(X + Y))2 = E((X-E(X))

V(X)

ww

w.

E(X - E(X))(Y - E(Y)) = E[XY - YE(X) - XE(Y) + E(X)E(Y)] = E(XY) - E(X)E(Y) - E(X)E(Y) + E(X)E(Y) = 0.

at

em
+
2

4. Si X y Y son variables aleatorias independientes, se tiene que E(XY) = E(X)E(Y), de modo que

= E(X - E{X)f +2 E(X - E(X))E(Y - E(Y))

0

+ E(Y - E(Y)) .
V(Y)

Al anularse el segundo sumando, queda solamente V(X + Y) = E(X - E(X))2 + E(Y - E(Y))2 = V(X) + V(Y\ lo que demuestra el teorema.

at

(Y-E(Y)))2

ic a1

.c om

EJEMPLO 4.6. Sea X una variable aleatoria tal que V(X) = 25 y E(X) = 13. Encuentre los valores ayb tales que Y = aX + b, E(Y) = 0 =

Solucin Se sabe que

E(Y) = E(aX + b) = aE(X) + b =

y por hiptesis este valor esperado es cero. Adems, se sabe que

V(Y) = V(aX + b) = V(aX) = a2V(X) = 25a2,

que tambin por hiptesis es igual a 1. Entonces se tiene que resolver el siguiente sistema de dos ecuaciones con dos incgnitas: cuya solucin es: a = d-1/5 y b = =f 13/5. Ejercicios

EJEROCIO 4.16. Sea X una variable aleatoria que representa el nmero de llamadas telefnicas que recibe un conmutador en un intervalo de 5 minutos, y cuya funcin de probabilidad est dada por

fx(x) = ^ - ,

ww

EJERCICIO 4.15. Sean X\, X2, X3,..., Xn variables aleatorias independientes e igualmente distribuidas, con E(Xi) = /x y V(X) = <j2, i = l,2,3,...,/i. (a) Encuentre la media de X = Y=\ X. (b) Encuentre la varianza de X = JLi X. (c) Encuentre el valor esperado de s2 = ^ - ELi(^/ - 3) 2 -

w.

e~33x

1. Encuentre las probabilidades de que en un intervalo de 5 minutos se reciba al menos una llamada. 2. Determine la funcin de distribucin de X. 3. Determine el valor esperado de X y de X2, y la varianza de X. 4.17. Sea X una variable aleatoria continua con funcin de densidad fx(x) = kx2, para x G ( 1,1). 1. Determine el valor de k. 2. Determine la funcin de distribucin acumulativa y grafquela.
EJERCICIO

at

em

parax = 0,1,2,3,4,...

at

ic a1

.c om

13a + 6 = 0 y 25a2 = 1,

3. Calcule P(X > 1/2) y P ( - l / 2 < X < 1/2). 4. Determine el valor esperado de X y de X2, y la varianza de X.
EJERCICIO 4.18. Encuentre la media y la varianza, si existen, de cada una de las variables aleatorias con las siguientes distribuciones:
l

- /(*) = Iib)!0/2) 3 , con x = 0,1,2,3; 0 en otro caso.

2. f{x) = 6JC(1 #), con ;t G (0,1); 0 en otro caso. 3. f{x) = 2/JC3, con x G (1, oo); 0 en otro caso.
EJERCICIO 4.19. Se lanzan dos bolas a cuatro cajas, de tal manera que cada bola tiene igual probabilidad de caer en cualquiera de las caja. Sea X la variable aleatoria que indica el nmero de bolas en la primera caja. 1. Cul es la funcin de densidad de X? 2. Cul es la funcin de distribucin acumulativa de XI 3. Encuentre la media y la varianza de X.

4. Covarianza y correlacin V(X+Y) = E(X-E(X))2+2E(X-E(X))E(Y-E(Y)) + E(Yel segundo trmino es igual a cero cuando X y Y son independientes. Ahora vamos a revisar lo que ocurre en el caso de que X y Y no sean independientes.
DEFINICIN 4.3. Sean X y Y dos variables aleatorias definidas en un espacio muestral i;la covarianza de X y Y se define con la relacin

donde xx y Mr son las medias de X y de F, respectivamente. La covarianza es una medida de la concordancia con que varan las dos variables. De la definicin anterior se sigue que ) = Cov(Y,X).

ww

Se vio que en la expresin

w.

at

4.20. Sea una variable aleatoria X con funcin de densidad ) 1. Encuentre k tal que f(x) sea funcin de densidad. 2. Encuentre la media y la varianza de X. 3. Encuentre E{\X a\).
EJERCICIO

em

at

ic a1

.c om

4.8. Sean X y Y dos variables aleatorias definidas en un espacio muestral l; entonces

TEOREMA

Demostracin Al desarrollar la expresin E(X - /JLX)(Y - /y), y aplicando la propiedad de linealidad de la esperanza matemtica, se tiene que E(X - fix)(Y - ILJ) = E(XY - Yfix - XfiY = E(XY) - fixE(Y) quedando demostrado el teorema. As, en general la varianza de la suma de dos variables aleatorias es igual a

V(X + Y) = V(X) + V(Y) + Cov(X, Y).

[0

Solucin Primero se encuentran las medias de las dos variables, E(X)= /

Joo Joo

ww

w.

Encuentre la covarianza de X y Y.

at

I 2Axy fxr(x, y) = <

em

$iO<x<ly\j<y<l

at

4.7. Sean X y Y dos variables aleatorias definidas en un espacio muestral i, cuya funcin de densidad conjunta es
EJEMPLO

ic a1
[ [
Jo JO

.c om

x,

en otro caso.

xfXY(x,y)dydx=

24x2ydy dx = - ,
3

E{Y) = f " yfXY(x,y)dydx = f f'" 2Axy2dxdy = \,

Joo Joo Jo Jo 5

luego se encuentra el valor esperado del producto XY:

E(XY)= xyfXY(x,y)dydx= C ^ 2Ax2y2dxdy = ~.

Joo Joo Jo JO 15

Finalmente, se tiene que

Cov(XY) = E(XY) - E(X)E(Y) = -(-}

= ~.

TEOREMA 4.9. Sean X y Y dos variables aleatorias definidas en un espacio muestral l, y se cumplen las siguientes propiedades: 1. Cov(X, Y) = Cov{Y9X). 2. Cov{aX, bY) = abCov(Y, X), donde ayb son dos constantes. 3. Cov(X,-Y) = -Cov(Y,X).

Demostracin 1. Como el producto es conmutativo, se tiene que Cov(X, Y) = E(X X)(Y - fiY) = E(Y - tiY){X - fix) = Cov(YX). 2. Usando la propiedad de linealidad del valor esperado, se tiene que Cov{aX, bY) = E(aXbY) - E(aX)E(bY) = ab[E(XY) - (X)E(Y)] = abCov(XY). 3. El resultado se obtiene como corolario de la propiedad anterior, cuando Una manera de medir la asociacin lineal entre las dos variables es con el coeficiente de correlacin. 4.4. Dadas dos variables aleatorias X y Y definidas en un espacio muestral l, se define el coeficiente de correlacin de X y Y por la relacin Cov{X, Y) PxY ~ y/V(X)V(Y)'
DEFINICIN TEOREMA 4.10. El coeficiente de correlacin de las variables XyY cumple la desigualdad

Demostracin Considere las nuevas variables aleatorias X* = (X /xx)/ox y 7* (Y IIY)/(TY, las cuales tienen media cero y varianza igual a 1, ya que
E(X)

ww

w.

at

em

at
v

V(X*) = V V Observe que

1= o~x )

ic a1
~ u\
PxY

^A/ _

.c om

ZJL (T\

Cov{X*, T ) =

y que

+ r ) = v(x*) + v(r) + icov{x\ r

= 2 + 2p x y = 2(1 Como la varianza es positiva, se sigue que 1 4- PXY > 0, lo que implica que 1 < PXY- Ahora observe que V(X* - Y*) = V(X*) + V(Y*) - 2Cov(X\ 7*) = 2 - 2pXY = 2(1 - pxrl y 1 PXY > 0, lo que implica que PXY < 1, y queda probado el teorema.
TEOREMA 4.11. Sem XyY dos variables aleatorias mediante la ecuacin Y = a + bX; entonces PXY = 1 -

relacionadas

E(Y) = /xy = (a + X) = a + /^x entonces la covarianza es igual a y el coeficiente de correlacin es

PXY

TEOREMA 4.12. Si XyY son dos variables aleatorias independientes, entonces pYx = 0.

Demostracin Como XyY son dos variables aleatorias independientes, entonces

E(XY) = E(X)E(Y) = fjLxfiY y Cov(Xy Y) = E(XY) - fjbxfiY = MX/F - VXVY = 0,

con lo que queda demostrado el teorema. El resultado inverso es falso: si la covarianza de dos variables aleatorias es cero, entonces las variables aleatorias no necesariamente son independientes.

ww

cov(yr) = boj VV(X)V(Y) \b\er2x El signo de pXY coincide con el signo de b, la pendiente de la recta

w.

at

em

Cov(X, Y) = (X - ^ ( 7 -

at
My)

ic a1
y

Demostracin Si E(X) = x y V(X) = o\, se sigue que

V(7) = b2V(X) = V | ,

= (X - fJLX)2 = o i

.c om

4.8. Sea X una variable aleatoria continua, con funcin de densidad igual a fx(x) = 1/2, si - 1 < x < 1 y cero en otra parte. Sea Y = X2 otra variable aleatoria. Encuentre la covarianza entre X y Y.
EJEMPLO

Solucin Observe que xdx = 0, -i~2~

J-\

entonces se tiene que Cov{X, Y) = E(XY) - fjLxtiy = 0.

4.1 Problema de tanques de guerra. Suponga que usted es estrate ga militar y quiere determinar cuntos tanques tiene el ejrcito contrario, Usted tiene la informacin de que los tanques estn numerados del 1 al N, y puede suponer que existe la misma probabilidad de observar cualquier tanque. Suponga que se tom una muestra aleatoria de 5 tanques (n = 5) y los nmeros observados fueron

ww

Considerando esta muestra, cmo puede estimarse el total de tanques que tiene el enemigo? Lo primero que se debe hacer es ordenar los datos. 8, 19, 35, 57, 71. Primera solucin: Un grupo de sus colaboradores cree que el total de tanques puede estimarse con el valor mximo de la muestra; esto es, ellos proponen que i =mx{X/} = 71.

w.

19, 8, 35, 57, 71.

at

em

Aqu claramente se ve que Y depende de X y, sin embargo, la covarianza de X y Y es igual a cero.

at

ic a1

.c om

E(XY) = E(X3) = i' ^

= 0;

Segunda solucin: Otro grupo cree que si no se observ el tanque con el nmero ms pequeo (el nmero 1), no es necesariamente cierto q[ue se haya observado el tanque con el nmero mayor (el nmero N). Ellos proponen considerar una distancia entre el mximo valor de la muestra y el valor de N. Se propone que esta distancia sea el promedio de las distancias entre cada dos datos consecutivos de la muestra (d = X X/_i).

d5
5 _ (8 - 1)+(19 - 8) + (35 - 19) + (57 - 35) + (71 - 57) + (N5
d6

71) ~

ic a1
5

_ 7 1 - 1 _ mx{X,} - 1 n '

El estimador propuesto es

n n 5 5 Tercera solucin: Un tercer grupo piensa que la distancia entre el mximo valor y Af debe ser semejante a la distancia entre el 1 y el mnimo valor de la muestra, esto es N - mx{X,-} = mn{Z/} - 1. As, el estimador que proponen es

3 = mx{Xt} + Mn{Xi} - 1 = 78.

Ahora usted tiene el dilema de elegir cul es el mejor estimador de los tres propuestos: u 2o $, Cmo tomar la decisin? Parece razonable pensar que un buen estimador es aquel que en promedio est cerca del valor que ha estimado. Qu mtodo de estimacin da mejores estimadores? Es importante ver que los tres estimadores son variables aleatorias; por tanto, para diferentes muestras los valores obtenidos sern diferentes. Se

ww

w.

at

= L+imfcx,} - I = | 7 1 - i = 85.

em

2 = mx{X} + de = mx{X,} +

at

.c om

sabe que el valor esperado de una variable aleatoria indica la posicin promedio de sus posibles valores, y que la varianza mide la dispersin de estos valores. En estas circunstancias, parece razonable pedir que 1. el valor esperado de los estimadores coincida con el parmetro que estima, garantizando que los posibles valores del estimador estn alrededor del parmetro; 2. la varianza del estimador no sea muy grande, para garantizar que los posibles valores del estimador estn cerca del parmetro.
DEFINICIN 4.5. Se dice que un estimador es insesgado si su valor esperado coincide con el parmetro que estima.

La funcin de densidad del mximo y del mnimo valor en el problema de los tanques Sean los eventos Ax: el valor mximo en la muestra es x. Bx: el valor mnimo en la muestra es x. El evento Ax consiste en todos los subconjuntos que contienen al tanque nmero x, y los otros n 1 tanques constituyen un subconjunto de los x 1 tanques con nmero menor que x.

1 2 3 4 ... x - 1

ww

w.

at

em

at

Para calcular la media y la varianza de los tres estimadores, se requiere tener la funcin de densidad marginal y la funcin de densidad conjunta de los valores mximo y mnimo de la muestra. Notacin: Para simplificar la notacin, en lo que sigue se va a utilizar X(i) para designar el mnimo y X(,,) para designar el mximo valor en la muestra (X^ = mn{X} y X^n) = mx{Xi}).

ic a1

.c om

n1 tanques tienen uno de estos nmeros El evento By consiste de todos los subconjuntos que contienen al tanque nmero y y los otros n 1 tanques constituyen un subconjunto de los N y tanques con nmero mayor que y.

y+l

y + 2 y + 3 y + 4 ... N

mn los otros n1 tanques tienen uno de estos nmeros Y el evento Ax D By consiste en todos los subconjuntos que contienen a los tanques con los nmeros x y y (y < x), y los otros n 2 tanques

constituyen un subconjunto de los x 1 y tanques con nmero mayor que y y menor que x.

y y + l y + 2 y + 3 y + 4 ... x - 1
mn los otros n2 tanques tienen uno de estos nmeros
m

^
^x

El espacio muestral consiste de todos los subconjuntos de n elementos del total de los N tanques. As,

y y=\

V - 1i /

~ '

\ *-z)

Entonces la funcin de densidad marginal del nmero mximo en la muestra es

at

em

at
fm(y\n,N) = P(Xm = y) =
ww w.

ic a1
'

. #AX U - l i
\n J

para x = n, n + 1 , . . . , N. La funcin de densidad marginal del mnimo valor en la muestra es

para x = 1,2,3,..., N - n + 1. Y la funcin de densidad conjunta del mnimo y el mximo valor en la muestra es

.c om

#B

fx-l-y\ "
w

#0

N"

para y = 1,2, 3, . . . , # - n + 1 y x = y + n - 1,...,JV.

Las tres funciones de densidad cumplen las siguientes relaciones:

N x=n N x-l iV+l-n

f{1)(x\n,N)

Entonces, F(Y \ K{N + 1}

ww

{n-l)= {n)

w.

fx-l\

(x\

at

Observe que

em
y

x=n

at
x=n

N\

[n)-
V V1'

Haciendo el cambio de variables Jc*= se tiene que

n*-l)

ic a1
I *'

U-i

.c om
(n

Valor esperado del mximo y del mnimo Una tcnica utilizada para encontrar el valor esperado de una variable aleatoria X es llevar la suma de la forma J2 ^ / i W a la suma k fY(y) = k, donde fy(y) es una funcin de densidad de una variable aleatoria del mismo tipo que /*(*), pero con otros parmetros. Esta tcnica se va a utilizar aqu. Por definicin, se tiene que

n(N

Por otro lado, el valor esperado del nmero mnimo es

(N-y\
iV-n+1 (A(D) N-n+l \ i I

= 2^ y/d)(y) -

2^ yTTA

Para obtener este valor esperado, se comienza con una suma de la forma (7V + 1 - x)fx(x), que se puede transformar en otra suma de la forma k fy{y) = k, igual que antes.

(N-y\
N-n+l \n-ll

n(iV + 1)w ^ + 1 V

ic a1
n

.c om
I n(N

E(N + l-Xm)=

(N +

l )

Entonces, 1 - Xm) =

Despejando el valor esperado del mnimo, se tiene que:

Varianza del mximo y del mnimo Por definicin, se tiene que V(X) = E(X2) (E(X))2; entonces para E(X(X + 1)) = E(X2) + E{X)

ww

w.

yaque

at

em

at

la varianza se puede reescribir como V(X) = E(X(X + 1)) - E(X) - (E(X))\ Utilizando esta relacin se va a encontrar la varianza del mximo en la muestra.

D) = 2>+l)x/(*) =
x=n xn

Observe que

^)[n +2 7 = (n + 1 ) n ( n )'

Entonces

at

em

at
+ l)(N + 1)(N + 2) (x+V A Vn + 1
ww w.

(+2)

ic a1
U+2,
2) (/i+2) Y de aqu se sigue que n(N + 1)(N - n)

(n+2)(n + l)2 *

.c om

Para calcular la varianza del mnimo, primero se encuentra E((tf + 1 - X ( i ) ) ( t f + 2 - X d ) ) ) _ n(n + l)(N + l)(N + 2) ^
N n

(N + 2-y\ \ n+ l )

( + !)(+ 2)

(N + 2\ [n+2

en particular para X (]) :

- V{X{n)) - I+2)(n+1)2'. Para el segundo estimador: iV2 = ^ ^ ( / 0 = E ( ^ M - i ) = ^E(X) - i =T + t i V

Para el tercer estimador: 3 = X(n) + XQ) 1

3)

Si revisamos la media de los tres estimadores, se puede ver que el valor esperado del primero presenta un sesgo negativo ( ^ ^ ) , que puede ser considerable si N es mucho mayor que n. La media del segundo estimador tambin presenta un sesgo, pero ahora positivo ( ^ ) , y ste

ww

w.

Ya se tienen los elementos para obtener la media y la varianza de los tres estimadores. Para el primer estimador: \ = X(/)

at

em

at

ic a1

V(X)=E(N+l-X)(N+2-X)-(N+\)(N+2)+(2N+3)E(X)-(E(X))2,

.c om

_ n(N + l)(N + 2) (n + 2) De aqu se calcula la varianza de X(i), utilizando el hecho de que

* 1

em
I

aumenta conforme el tamao de la muestra crece, pero no sobrepasa el uno. El valor esperado del tercer estimador no tiene sesgo, es decir, es insesgado. As, considerando la media de los estimadores, se tiene que el mejor es $3, luego sigue 2 y al final \. En cuanto a la varianza de los tres estimadores, se observa que para todo n y N, (n < N), V(\) < V(2), pero conforme aumenta el tamao de la muestra, la diferencia entre las dos varianzas disminuye. Por otro lado, cuando n es mayor o igual a 5, se tiene V(2) < VCW3), y conforme n crece la diferencia aumenta. Conclusin: el estimador con menor varianza tiene un sesgo grande, lo cual significa que los valores del estimador para las diferentes muestras en promedio estn lejos de N. Por otro lado, el estimador insesgado tiene una varianza que puede ser considerablemente grande, mientras que el segundo estimador tiene un sesgo que puede ser corregido porque slo depende del tamao de la muestra, y su varianza no es tan grande con respecto a las otras. Con este anlisis se ve que, corrigiendo el sesgo de 2, el mejor mtodo de estimacin es el segundo. As,

at
1

ic a1
n

at

/*

/ ~r 1

es un buen estimador ya que es insesgado, E{) = N9 y su varianza no es tan grande. Entonces, para establecer sus acciones de guerra, usted debe considerar que el enemigo tiene

ww

w.

tanques. Para el clculo de la varianza del tercer estimador se utiliz la covarianza entre el mximo y el mnimo valor; se deja como ejercicio calcular esta covarianza. Ejercicios 4.21. Calcule la covarianza del valor mximo y mnimo de la muestra en el problema de los tanques.
EJERCICIO

= 84.2

.c om
1

EJERCICIO 4.22. Sean X y Y variables aleatorias continuas, con funcin de densidad conjunta dada por

, , N fxY(x,y)'=

24rxy { 10

O<x<\yO<y<l-x, en otro caso.

Encuentre la covarianza de X y Y.
EJERCICIO

4.23. Muestre que \n

\n-l N\

n + 1 N + 1

(c)

E(X\Y = y) = J2X Xifx\y(Xi\y)9 E(X\Y = y) = J.!^ xfx\Y(x\y)dx,

w.

4.6. Dadas dos variables aleatorias X y Y con funcin de densidad conjunta fxy(x> y), se llama esperanza condicional de la variable X, dado que la variable Y toma un valor y, a la expresin
DEFINICIN

at

em

5. Esperanza condicional

at
=

ic a1
en el caso discreto. en el caso continuo.
TEOREMA

Como se ve, la esperanza condicional E(X\Y = y) es una funcin de y, que se puede escribir como h(y) = E(X\Y = y); entonces h(Y) = E(X\Y) es una variable aleatoria. 4.13. Dadas dos variables aleatorias XyY, se tiene que E(E(X\Y)) = E(X). Demostracin La demostracin se hace slo para el caso continuo; para el caso discreto basta sustituir las integrales por sumas. Se sabe que
n
h l M

ww

,
y

| x
)

.c om

por lo tanto,
roo roo

E(X\Y = y)=

J-oo

xfxlY(x\y)dx=

fvv(r

J-oo

xJXY\9(}dx,
jY(y)

v"i

y el valor esperado de E(X\Y) es

E(E(X\Y)) = r
Joo

(T
\Joo

x^pj^-dx)
/

fY(y)dy
Joo

= [ xT

fXY(x, y)dy) dx = r xfx(x)dx = E(X);

queda demostrado el teorema. entonces

E(X\Y) = E(X).

fx\r(x\y) = fx(x),

J oo

ww

E(X\Y) = / xfx\Y(x\y)dx = f xfx(x)dx = E(X);

Joo

queda demostrado el teorema.

TEOREMA

4.15. Si XyY son variables aleatorias, entonces V(E(X\Y)) < V(X).

Demostracin Sea X tal que E(X) = /ULX y sea <p(y) = E(X\Y = y); entonces V(E(X\Y)) = E (E(X\Y) - E(E(X\Y)))2 = E(<p(Y) y
2

= (X - iix)2 = E(X - <p(Y) + <p(Y) = E(X - <p{Y)f + E(cp(Y) - /x x ) 2 + 2E(X - <p(Y))(cp(Y) fix).

w.

de esto se sigue que

at

em

Demostracin Si X y Y son variables aleatorias independientes, entonces

at

ic a1

.c om

TEOREMA

4.14. Si X y Y son variables aleatorias independientes,

Ahora se analiza el ltimo sumando

roo roo

E(X-<p(Y))(<p(Y)-fix)= / = /
roo roo J oo Joo roo roo

/ (x-<p(y))(<p(y)-Hx)fxY(x,y)dxdy fix)fx\Y(x\y)fy(y)dxdy
roo

J oo Joo

(x- <p(y))(<p(y) / (<P(y)-fix)fYy)

= Entonces,

(x-<p(y))fx\Y(x\y)dx.
Joo

Joo Joo

E(X\Y=y)-E(X\Y=y)=O

V(X) = E{X-(p{Y))2 + E{(p{Y)-iix? > E{<p{Y)-iLX)2 = V(E(X\Y))\ queda demostrado el teorema.

EJEMPLO 4.9. Suponga que N representa al nmero de accidentes ocurridos en cierta fbrica en un mes y X al nmero de hombres heridos en cada accidente, i = 1,2, ...,N. Suponga adems que N y X son variables aleatorias independientes. Cul es el valor esperado del nmero de hombres heridos cada mes?

ww

Solucin Suponga que N denota el nmero de accidentes que ocurren, y sean X\, X2,..., XN las variables que denotan el nmero de heridos en cada uno de estos accidentes. Entonces, el nmero total de accidentados es Y$L\ X. Ahora

w.

at

em
M\

=1

Observe que
N n
A

T?(\
LL\

at
N

=1

V I A7

TPt\

ic a1
A

V \

/ A f i Y 1=1

n)

xil> A ; ) 1=1

Finalmente,

i
=l i=l

| TV)) = E(NE(X)) = E(N)E(X).

4.10. Un prisionero ha sido puesto en una celda que tiene tres puertas. La primera puerta lleva directamente a la calle; la segunda lleva a un tnel que lo devuelve a la misma celda despus de un da de caminata; la tercera puerta lo lleva a otro tnel que termina en su celda
EJEMPLO

.c om
M

TPt V^

A-CrlA).

despus de tres das de caminata. Suponga que el prisionero puede elegir cualquiera de las puertas con igual probabilidad. Si elige una puerta que lo lleva de nuevo a la celda, vuelve a intentarlo, pero no escoge las puertas que eligi anteriormente. Entonces, cul es el tiempo esperado para que el prisionero alcance la libertad? Solucin Suponga que Y indica el nmero de das que requiere el prisionero para alcanzar su libertad, y sea X el nmero de la puerta que elige en el i-simo intento, i = 1,2,3. Si elige una puerta que lo lleva a un tnel, al regresar elegir otra puerta nicamente de entre las dos que no ha elegido; de igual manera se hace la tercera eleccin. El recorrido de Y es RY = {0, 1, 3, 4},

7 = 0: cuando se elige la puerta 1 en el primer intento, o sea que Xx = 1. Y = 1: cuando se elige la puerta 2 en el primer intento y la puerta 1 en el segundo intento, o sea que Xx = 2 y X2 = 1. Y 3: cuando se elige la puerta 3 en el primer intento y la puerta 1 en el segundo intento, o sea cuando X\ = 3 y X2 = 1. Y 4: cuando se eligen las puertas 2 y 3 en los dos primeros intentos y la puerta 1 en el tercer intento, o sea (Xl = 2, X2 = 3 y X3 = 1) o (Xj = 3, X2 = 2 y X3 = 1). Se va a utilizar el resultado E(Y) = E(E(Y | i)), por eso se deben encontrar las probabilidades condicionales. P(Y = 0 | Xx = 1) = 1; entonces

P(Y=1\X1=2)

P(Y = 4 I Xi = 2) = P(X2 = 3 I Xi = 2) = 1/2; entonces

(7 | Xi = 2) = 1(1/2) + 4(1/2) = 2.5 = 3 | Xj = 3) = F(X2 = 1 | Xx = 3) = 1/2 y = 4 Xi = 3) = P(X2 = 2 | X! = 3) = 1/2; entonces = 3) = 3(1/2) + 4(1/2) = 3.5

ww

= P(X2 = 1 | Xx = 2) = 1/2 y

w.

at

em

at

ic a1

.c om

Finalmente, se tiene que E(Y) = E[E(Y | X,)]

= E(Y | Xi = l)P(Zi = 1) + E(F | Xx = 2)P(X1 = 2)

5.1 Problema de mantenimiento, reparacin y reemplazo de equipo. Considere una mquina que produce una ganancia de 100 unidades monetarias (u.m.) si trabaja toda la semana, y 0 u.m. si no lo hace. Si al principio de la semana la mquina est trabajando, se puede realizar o no un mantenimiento preventivo, con un costo de 20 u.m. Si se realiza el mantenimiento preventivo, la probabilidad de que la mquina trabaje toda la semana es de 0.7. Si no se realiza el mantenimiento, la probabilidad de que la mquina trabaje toda la semana es de 0.2. Si al principio de la semana la mquina no trabaja, puede repararse inmediatamente a un costo de 35 u.m., o bien, puede ser reemplazada por una nueva mquina a un costo de 125 u.m. Si se realiza la reparacin, la probabilidad de que la mquina trabaje toda la semana es igual a 0.6. Si la mquina se reemplaza, sta trabajar toda la semana sin problema. Cuando la mquina trabaja bien toda la semana, al inicio de la siguiente semana se encontrar trabajando. Si la mquina se descompone durante la semana, al inicio de la siguiente no se encontrar trabajando. Suponiendo que se dispone de una mquina nueva al inicio del proceso, se desea establecer la poltica ptima de reparacin, mantenimiento y reemplazo que proporcione la utilidad total esperada mxima en un periodo de cuatro semanas. Solucin Primero se va a identificar toda la informacin til. La primera semana no habr un factor aleatorio, ya que se tiene una mquina nueva, y sta trabajar toda la primera semana con una ganancia

ww

w.

at

em

at

ic a1

.c om

Gi(EM = Ts) = 100 y

ww

w.

de 100 u.m. Al inicio de la segunda semana, la mquina estar trabajando. En las subsecuentes semanas, se tendrn los siguientes elementos: 1. Estados posibles de la mquina al inicio de la semana /: Ts: la mquina s trabaja. Tn: la mquina no trabaja. Ts y Tn son eventos complementarios, esto es: Ts = Tfx. El estado de la mquina al inicio de la semana / se denota como Et\ as, E = Ts o F T 2. Decisiones si la mquina trabaja al inicio de la semana: Ms: se da mantenimiento preventivo. Mn: no se da mantenimiento preventivo. Tambin Ms y Mn son eventos complementarios. 3. Decisiones si la mquina no trabaja al inicio de la semana: Rs: se reemplaza la mquina. Rn\ se da mantenimiento correctivo. Rs y Rn no son eventos complementarios, puesto que se puede tambin tomar la decisin de que no se trabaje esa semana. La decisin tomada en la semana / se denota como Dhi = 1,2,3 y 4; as, si la mquina est trabajando al inicio de la semana /', se tiene que D = Ms o D = An. Si la mquina no trabaja al inicio de la semana i, se tiene que D = Rs o Di = Rn. 4. La ganancia obtenida en la semana / se denota como G(), por lo que se tiene que

at

Si la mquina trabaja toda la semana, al inicio de la siguiente se encuentra trabajando. Observe que si E^\ = Ts, esto implica que la mquina trabaj toda la semana /, por eso al inicio de la semana i + 1 est trabajando. 5. El costo de tomar una decisin se denota como C/(-); por tanto, se tiene que d(Mn) = 0} C/(A/,) = 20, Q(Rn) = 35, Q (J?,) = 125. 6. La utilidad es igual a la ganancia menos los costos,

7. Las probabilidades implcitas en ei proceso son las siguientes:

189

em

at

Gi(EM = Ttt) = 0.

ic a1

.c om

 P(EM = Tn\Ei = Tn, Di = Rn) = 0.4.

Estado (,), Decisin (D), Estado que representan la situacin de la mquina desde el principio hasta el final de la semana i. En cada rama del diagrama se escribi el valor de la utilidad o su probabilidad. La utilidad esperada, de acuerdo con las diferentes decisiones, est dada por Cuando la mquina s trabaja al inicio de la semana: E(U | Ms) = E(G | Ms) - C(MS) = G(TS)P(TS | Ms) + G(Tn)P(Tn \ Ms) - C(MS) = P(Ts\Ms)l00 + P(Tn\Ms)0 - C(Ms) = 100(0.7) + 0(0.3) - 20 = 50, E(U\Mn) = E(G\Mn) - C(Mn) = 100P(Ts\Mn) + 0P(Tn\Mn) - C(Mn) = 100(0.2) + 0(0.8) - 0 = 20.
190

ww

w.

at

em

at

En el diagrama de la figura 4.3 se muestran las diferentes posibilidades de la terna:

ic a1

.c om

(a) La probabilidad de que la mquina trabaje toda la semana /, condicionada a que estaba trabajando al inicio de la semana /, de acuerdo con la decisin tomada, es P{Ei+x = Ts\Ei = Ts, Di = Ms) = 0.7, P(Ei+l = T,\Ei = Ts, Di = Mn) = 0.2, (b) y la correspondiente probabilidad de su complemento: P(EM = Tn\Ei = Ts, Di = Ms) = 0.3, P(EM = Tn\Ei = Tt, Di = Mn) = 0 . 8 . (c) La probabilidad de que la mquina trabaje toda la semana i, condicionada a que no estaba trabajando al inicio de la semana /, de acuerdo con la decisin tomada, es P(EM = Ts\Ei = Tm Di = /?s) = 1, P(EM = Ts\Ei = Tn, Di = Rn) = 0.6, (d) y la correspondiente probabilidad de su complemento:

Estado Decisin Estado

Di

Utilidad

Probabilidad 0.7

Ts Ms Tn Ts Ts Mn Tn Ts
Rn

C/=-20 7=100 / = 0 U = 65 U = -35 U=-25

0.3 0.2 0.8 0.6

Tn Tn
Rs
FIGURA

ic a1

Ts

E(U\RS) = = E(U\Rn) = =

E(G\RS) - C(MS) = 100P(Ts\Rs) + 0P(Tn\Rs) - C(RS) 100(1) + 0(0) - 125 = - 2 5 . E(G\Rn) - C(Rn) = 100P(Ts\Rn) + 0P(Tn\Rn) - C(Rn) 100(0.6) + 0(0.4) - 3 5 = 25.

La decisin que da la mxima utilidad esperada se obtiene cuando se da mantenimiento correctivo. En resumen, si al inicio de la semana la mquina no trabaja, lo conveniente es darle mantenimiento correctivo; y cuando la mquina s trabaja, lo conveniente es darle mantenimiento preventivo. En la tabla 4.4 se resume esta informacin desde el inicio de la semana (E) hasta el final de la misma (+i, i = 1,2,3,4). No se considera la

ww

La decisin que da la mxima utilidad esperada se obtiene cuando se da mantenimiento preventivo. Cuando la mquina no trabaja al inicio de la semana:

w.

at

em

4.3 Diagrama de estado al principio de la semana, la desicin tomada y estado al final de la semana.

at

.c om
1

0.4

TABLA 4.4

Utilidad obtenida de acuerdo con la desicin tomada.

Estado di inicio Mejor Estado al final Utilidad Probabilidad U P(E+i | D, E) dla semana Decisin de la semana 2i*+i T Ms 80 0.7 E = r, Ei = TS M5 -20 0.3 = Tn 0.7 Ei = Tn 65 = TS Rn -35 0.3 Ei = Tn Ei+\ = Tn Rn informacin de la primera semana (i = 1), porque en esa semana la mquina va a trabajar bien pues es nueva. La utilidad durante las cuatro semanas depender del estado de la mquina al inicio de cada semana, cuando se toma la decisin que da la mxima utilidad. Y como el estado de la mquina al final de la semana slo depende del estado de la mquina al principio de la semana, la probabilidad de los posibles estados de las cuatro semanas es

TABLA

4.5 Espacio muestral de estados, probabilidad y utilidad de las cuatro semanas. Estados E2 E3 4
Ts Ts

ww

La tabla 4.5 muestra los posibles estados de la mquina durante: las cuatro semanas, as como la probabilidad y la utilidad en cada caso.

w.

at

P(E5\EJP(E4\E3)P(E3\E2).

em

P(Eh E2,

4,

Es) =

Probabilidad Es Ts 0.7 Tn 0.7 Ts 0.7 Tn 0.7 Ts 0.3 Tn 0.3 Ts 0.3 Tn 0.3

X X X X X X X X

at
Utilidad total 215 115 100 0 100 0 -15 -115 0.7 x 0.7 x 0.3 x 0.3 x 0.6 x 0.6 x 0.4 x 0.4 x 0.7 0.3 0.6 0.4 0.7 0.3 0.6 0.4 =0.343 =0.147 =0.126 =0.084 =0.126 =0.054 =0.072 =0.048

Ei

Ts Ts
Ts Ts Ts Ts

Ts Ts
Ts

Ts Ts
Ts

Ts Ts

Ts
Ts

Ts Tn Ts Tn Ts Tn Ts Tn

Tn Tn Ts Ts Tn Tn

ic a1

.c om

La utilidad esperada de las cuatro semanas es igual a E(U) = 215(0343) + 115(0.147) + . . . + (-115)(0.048) = 109.25. La utilidad esperada es positiva, lo cual implica que conviene trabajar en esta forma. Ejercicios
EJERCICIO 4.24. Un prisionero ha sido puesto en una celda que tiene tres puertas. La primera puerta lleva directamente a la calle. La segunda lleva a un tnel que lo devuelve a la misma celda despus de un da de caminar. La tercera puerta lo lleva a otro tnel que termina en su celda despus de tres das de caminata. Suponga que el prisionero puede elegir cualquiera de las puertas con igual probabilidad. Si elige una puerta que lo lleva de nuevo a la celda, vuelve a intentarlo, pero olvida qu puerta eligi anteriormente, esto es, no tiene memoria. Entonces, cul es el tiempo esperado para que el prisionero alcance la libertad? EJERCICIO 4.25. En una urna hay 20 bolas rojas y 30 bolas azules. Se extraen sucesivamente las bolas de la urna. Cul es el nmero de intentos esperado para obtener la segunda bola roja? si el muestreo se hace (a) con reemplazo, (b) sin reemplazo.

6. Funcin generatriz de momentos Cada funcin de distribucin caracteriza a su media y su varianza, E(X) y E(X2) (E(X))2, respectivamente. Esto es, si se conoce la funcin de distribucin, se puede determinar cul es su media y cul su varianza; ahora, la pregunta es: si se conoce la media y la varianza de una variable aleatoria, se puede identificar su funcin de distribucin? La respuesta es no; sin embargo, si se conoce el valor esperado de todas las potencias de X, EiX*), es posible identificar la funcin de distribucin de esa variable aleatoria. Esto es lo que se estudiar en la presente seccin.
DEFINICIN 4.7. Se llama momento de orden r alrededor del nmero a de la variable aleatoria X al valor esperado

En este sentido, la media /x es el primer momento de X alrededor de cero, y la varianza o-2 es el segundo momento de X alrededor de x193

ww

mr(a) = E((X - a)r).

w.

at

em

at

ic a1

.c om

Para simplificar, los momentos alrededor de cero m,(0) se denotan como mr. Si para una variable aleatoria existen todos sus momentos de orden r, entonces se puede definir la funcin generatriz de momentos.
DEFINICIN 4.8. La funcin generatriz de momentos de la variable aleatoria X, Mx(t), est dada por la expresin

Mx(t) = E(etx). El nombre viene del desarrollo en serie de potencias de la funcin exponencial:
oo A Y i

at
ww w.

ic a1
*'

ya que al aplicar las propiedades de linealidad del valor esperado, se convierte en

.c om
i=0

que es una serie de potencias de t con m,- como coeficientes.

TEOREMA 4.16. Si Mx(t) es la funcin generatriz de momentos de la variable aleatoria X, entonces

Demostracin Si se deriva sucesivamente la funcin generadora de momentos, se tiene que

at

em

1=0

AfjjftO) = mr.

=0 oo

i=0

00
=0

*mM

As, al evaluar en t = 0, se tiene

U
con lo que queda demostrado el teorema.

Recuerde que la derivada de una suma es la suma de las derivadas. TEOREMA 4.17.

SiXyY

son dos variables aleatorias tales que MX{t) = My(),

Solucin Considere las variables aleatorias X y Y cuya funcin de densidad conjunta est dada por fxy(x, y) y suponga que U = X + Y. Entonces la funcin generatriz de momentos de la variable aleatoria U es igual a

Mu(t) = E(e'u) = r
Joo

ww

w.

EJEMPLO 4.11. Utilizando la funcin generatriz de momentos encuentre la funcin de densidad de X + Y.

at

em

Este teorema afirma que la funcin generatriz de momentos de una variable aleatoria es una transformacin inyectiva. El teorema se presenta sin demostracin, ya que los elementos para hacerlo salen del alcance de este libro.1

Por otro lado, la funcin generatriz de momentos de la variable aleatoria U se puede escribir como

Mv(t) = E(e'u) = ^(e'(x+^>) = r

Joo Joo
L

at

Una demostracin de este teorema se encuentra en W. Feller 1985. Introduccin a la teora de las probabilidades y sus aplicaciones. Vol. 2, 2a. ed. Mxico, Limusa,

p.482

ic a1

"Mu)du.

efc+fxr(x, y)dxdy.

.c om

entonces fx(x) = fy(x), excepto quizs en un conjunto de probabilidad igual a cero.

Al hacer el cambio de variable u = x + y y v = x, para resolver la integral la funcin generatriz de momentos se transforma en Mu(t) = E(etU) = H emfxY(v, u Joo Joo

v)dvdu

= e" l fxy(v, u - v)dvdu = f "g(u)du.

Joo Joo Joo

Si la regin donde fxy es diferente de cero no es todo el plano, la regin de integracin, despus del cambio de variable, queda determinada por esa regin.

Joo

ww

Solucin Por el resultado anterior, se tiene que

w.

fxr(x, y) = ex*y

fu(u) = /
Joo

at

y como /XY(X, y) es diferente de cero en el primer cuadrante del plano cartesiano, la integral se debe calcular en la regin 0 < v y 0 < w v, o bien 0 < v y v < u. fu(u) = f ev*u~v)dv = eu [U dv = ueu, para u > 0. Jo Jo EJEMPLO 4.13. Suponga que la funcin generatriz de momentos de X y de F converge; entonces encuentre la funcin de densidad de y. Solucin Considere que C/ = f; entonces

Mv(t) = E(etu) = E(e*x'*) = f f ifX7(x, y)dxdy,

Joo Joo

em
/oo

EJEMPLO 4.12. Encuentre la funcin de densidad de U = X + Y si se sabe que la funcin de densidad conjunta de X y Y est dada por

si x, y > 0; 0 en otro caso.

at

Este resultado ya se haba mostrado antes, y se puede constatar que es ms fcil obtenerlo usando esta tcnica.

fXY(y, u - v)dv,

ic a1

fu{u) = g(u) = /

fXY(v, u - v)dv.

.c om

El teorema 4.6.2 afirma que la funcin generadora de momentos es una transformacin inyectiva; entonces

se hace el cambio de variable u = x/y y v = y9 cuya transformacin inversa e s # = wvy;y = v y cuyo jacobiano es |7| = v. Entonces, la funcin generatriz de momentos est dada por

Mv(t) = E(etU) = r
roo

etuvfXY(uvfv)dvdu
roo Joo g(u)

= /
Joo

etu

Joo Joo roo

I
Joo

vfXY(uv,v)dvdu = /

emg(u)du.

Y por el teorema 4.6.2, se tiene que la funcin generadora de momentos es una transformacin inyectiva; entonces se sigue que fu(u) = g(u) = /
Joo

vfXY(uv, v)dv.

4.27. Sea la funcin de densidad de la variable aleatoria X, fx(x) = f eos \jY-Tt)9 cuando x e (0,2) y cero en otro caso. Encuentre la funcin de densidad de Y = sen(^Y^). (a) Usando el corolario del teorema 3.3.2. (b) Usando la funcin generatriz de momentos.

ww

w.

EJERCICIO

(Costo total U = X + Y).

at

X -f- y

~T~

i/

em

4.26. Encuentre la funcin de densidad del costo total de un proyecto de construccin, cuya funcin de densidad conjunta de los costos del material X y de la mano de obra Y es 2y fxr(x, y) = si x, y > 0; 0 en otro caso. 4,
EJERCICIO

at

ic a1

Ejercicios

.c om