Vectores Aleatorios

TEORA DE PROBABILIDAD.
Distribuciones conjuntas.
DAIRA LUZ VELANDIA MUOZ.
M.Sc. ESTADSTICA APLICADA Y COMPUTACIN.
Considere el experimento de lanzar un par
de dados.
Cuntos elementos tiene el espacio
muestral?
Solo se puede definir una nica variable
aleatoria?
2
Elaborar un modelo matemtico
que permita analizar experimentos
aleatorios en los que cada resultado
experimental A tiene asociados p
valores numricos.
3
Vector aleatorio
Sea un espacio de probabilidad. Se
dice que es un vector aleatorio
de dimensin si con es tal
que
4
( ) P S , , |
( )
n
X X X X ,..., ,
2 1
=
n
n
R S X :
N ne
n
B boreliano B X B e e
, ) (
1
|
Teorema 1
Sea un espacio de probabilidad y
una funcin vectorial tal que
entonces
es un vector aleatorio cada una de
las son variables aleatorias.
Siempre sobre un mismo espacio .
5
( ) P S , , |
( )
n
X X X X ,..., ,
2 1
=
n
R S X :
X
i
X
( ) | , S
Probabilidad Inducida
Dado un vector aleatorio definido sobre
se denomina probabilidad inducida
por el vector a la aplicacin
definida por:
es el espacio probabilstico inducido
por .
6
X
( ) P S , , |
n
R P
X
B :
B e
|
.
|
\
|
=

B B X P B P
X
, ) ( ) (
1
( )
X
n
P R , , B
X
Funcin de distribucin
Dado un espacio de probabilidad y un
vector aleatorio llamamos funcin
de distribucin de a la funcin
tal que
7
( ) P S , , |
( )
n
X X X X ,..., ,
2 1
=
X
R R F
n
X
:
( ) ( )
( | ( | ( | ( )
n
n n n
X
x x x P
x X x X P x x F
, , ,
,..., ,...,
2 1
1 1 1
=
s s =
Propiedades
1.
2. es no decreciente en cada
componente.
3. es continua por derecha en cada una
de sus componentes.
8
( ) | | ( )
n
n n
X
R x x x x x F e e ,..., , , 1 , 0 ,...,
2 1 1
X
F
X
F
Propiedades
4.
a.
b.
9
( ) n i x x F Lm
n
X
x
i
,..., 2 , 1 , 0 ,...,
1
= =

( ) ( )
n n j j j J n j j j
X
x
x X x X x X x X P x x x x x F Lm
j
s s s s =
+
+
,..., , ,..., ,..., , , ,...,
1 1 1 1 1 1 1
Propiedades
4.
c.
d.
10
( ) n i x x F Lm
n X X X
x
n
i
,..., 2 , 1 , 1 ,...,
1 ,..., ,
2 1
= =
+
( ) ( )
j X n j j j
X
j i
x
x F x x x x x F Lm
j
i
=
+
=
+
,..., , , ,...,
1 1 1
Se puede obtener la funcin de distribucin de cada
componente de un vector aleatorio.
Distribucin marginal
Sea un vector aleatorio con funcin de
distribucin , llamamos distribucin
marginal j-sima a la funcin de distribucin
de .
11
X
X
F
( ) n j X
j
,..., 2 , 1 =
Las propiedades 1,2,3 y 4 son suficientes
para caracterizar una funcin de
distribucin como ocurre en el caso de la
funcin de distribucin de una variable
aleatoria?
12
Sea un vector aleatorio en con
funcin de distribucin conjunta
y , determine .
Si es tal que
y es ?
13
2
R
( )
2 1
, X X X =
( ) ( )
2 1
, 2 1
,
x x X X
A P x x F =
( | ( |
2 2 1 1
, , b a b a C = ) (C P
X
| | 1 , 0 :
2
R F
X
( )
> > > +

=
. , 0
0 , 0 , 1 , 1
,
2 1 2 1
2 1
parte otra en si
x x x x si
x x F
X
0 ) ( > C P
X
( | ( | 1 , 0 1 , 0 = C
Ejemplo 1
Operador diferencia
Sea con , entonces notamos
Sea ahora con , entonces
notamos
y as sucesivamente para todas las
componentes.
14
|
1 1 1
, ( b a I =
R b a e <
1 1
( ) ( ) ( )
n n n
x x x a F x x x b F x x x F ,..., , , ,..., , , ,..., ,
3 2 1 3 2 1 2 1 1
= A
|
2 2 2
, ( b a I =
R b a e <
2 2
( ) | ( ) ( ) |
n n n
x x x a F x x x b F x x x F ,..., , , ,..., , , ,..., ,
3 2 1 3 2 1 2 2 1 1 2
A = A A
( ) | ( ) ( ) |
n n n
x a a F x b b F x x x F ,..., , ,..., , ,..., ,
2 1 2 1 2 1 1 2
= A A
Propiedad 5
15
( ) | ( . ,..., 1 , , , 0 ,..., , ...
2 1 2 1
n k con b a I x x x F
k k k n n
= = > A A A
Ejemplo 2
Dos contratos de obras de construccin se
otorgan aleatoriamente a una o ms de las
compaas A, B o C. Sea la cantidad de
contratos concedidos a la compaa A y
la cantidad de contratos otorgados a la
compaa B. Recuerde que cada empresa
puede recibir 0,1 o 2 contratos.
a. Encuentre la funcin de probabilidad
conjunta de y .
16
1
Y
2
Y
1
Y
2
Y
Ejemplo 3
La gerencia de un establecimiento de
comida rpida est interesada en el
comportamiento conjunto de las variables
aleatorias , que se define como el tiempo
total que transcurre entre el instante en
que el cliente llega al establecimiento y el
momento en que abandona la ventanilla
de servicio, y , el tiempo que un cliente
espera formando antes de llegar a la
ventanilla de servicio.
17
1
Y
2
Y
Ejemplo 3
Puesto que incluye el tiempo que el
cliente espera en la fila, . La
distribucin de frecuencias relativas de los
valores observados de y puede
expresarse mediante la funcin de
densidad de probabilidad
con el tiempo en minutos.
Encuentre
18
1
Y
2
Y
2 1
Y Y >
1
Y
( )
s s s
=

punto otro cualquier en
y y e
y y f
y
, 0
0 ,
,
1 2
2 1
1
( ) 1 , 2
2 1
> < Y Y P
TIPOS DE VECTORES
ALEATORIOS
Decimos que un vector aleatorio es
discreto si su recorrido es numerable.
Teorema 2: Sea un vector aleatorio
discreto, sea su funcin de
distribucin y
entonces,
19
X
X
R R F
n
X
:
{ } ( ) { }
k n k k
x x X c
, , 1
,..., Re =
( ) ( )
s s
= = =
n k n k
x x x x que tal k
k n n k n
X
x X x X P x x x F
, 1 , 1
,...,
, , 1 1 2 1
,..., ,..., ,
EJEMPLO 4
Sean X e Y dos variables aleatorias tal
que su distribucin conjunta viene dada
por:
20
P(X=i,Y=j) i=1 i=2 i=3
j=0 1/6 1/4 1/4
j=1 1/6 1/12 1/12
La funcin de distribucin es tal
que
21
R R F
2
:
( ) | ) ( |
( ) | ) | )
( ) | ) | )
( ) | ) | )
( ) | ) | )
( ) | ) | )
+ + e
+ e
+ e
e
+ e
e
< <
=
, 1 , 3 , , 1
1 , 0 , 3 , , 12 / 11
, 1 3 , 2 , , 3 / 2
1 , 0 3 , 2 , , 12 / 7
, 1 2 , 1 , , 6 / 2
1 , 0 2 , 1 , , 6 / 1
0 1 , 0
) , (
y x
y x
y x
y x
y x
y x
y x
y x F
La distribucin marginal de X la
obtenemos tomando el lmite de la funcin
de distribucin cuando , es decir,
22
y
) ( ) , ( x F y x F Lm
X
y
=
+
Ejemplo 5
Supongamos que en una urna hay tres
bolas rojas, dos azules, cinco verdes y
cinco negras. Se extraen con reposicin
seis bolas.
Sea . Tal que:
cantidad de bolas rojas extradas.
cantidad de bolas azules extradas.
cantidad de bolas verdes extradas.
cantidad de bolas negras extradas.
23
( )
4 3 2 1
, , , X X X X X =
:
1
X
:
2
X
:
3
X
:
4
X
Determine:
24
( ) 0 , 3 , 1 , 2
4 3 2 1
= = = = X X X X P
Decimos que un vector aleatorio
tiene distribucin multinomial de
parmetros si
donde cumplen
25
( )
4 3 2 1
, , , X X X X X =
n
p p N ,..., ,
1
( )
n
m
n
m
n
n n
p p
m m
N
m X m X P ...
! !...
!
,...,
1
1
1
1 1
= = =
N m m
n
e ,...,
1
1 ... ...
1 1
= + + = + +
n n
p p y N m m
Distribucin Multinomial
Decimos que un vector aleatorio
con funcin de distribucin es
absolutamente continuo, si existe una
funcin no negativa tal que:
Aqu la funcin es llamada densidad del
vector aleatorio o densidad conjunta de
las variables aleatorias .
26
( )
4 3 2 1
, , , X X X X X =
R R F
n
:
R R f
n
:
( ) ( ) ( )
n
n n
x x
n n
X
R x x dt dt t t f x x F
n
e =
} }

,..., , ... ,..., ... ,...,
1 1 1 1
1
X
( )
n
X X ,...,
1
Vector aleatorio continuo
Si es un vector aleatorio absolutamente
continuo y B es un boreliano de ,
entonces
27
X
n
R
( ) ( )
n n
B
X
dx dx x x F B X P ... ,...,
1 1
}
= e
Ejemplo 6
Sea un vector aleatorio con funcin
de densidad conjunta dada por:
Determine
28
( ) Y X,
( )
( )
< < < <

=
+
caso otro en
y x si e
y x f
y x
, 0
0 , 0 ,
,
( ) y x F ,
Ejemplo 7
Sea un vector aleatorio con funcin
de densidad conjunta dada por:
Determine .
29
( ) Y X,
( )
< < <

=
caso otro en
y x si
y x f
, 0
1 0 , 2
,
) ( ), ( y f x f
Y X
EJEMPLO 8: Vector uniforme en la
regin B.
Sea B una regin acotada de tal que
decimos que el vector aleatorio
tiene distribucin uniforme en B y lo
notamos , si su densidad es
tal que
30
n
R
}
>
B
n
dt dt 0 ... 1
1
X
B Unif X ~
R R f
n
:
( )
( )
( )
e
e
|
|
.
|
\
|
=
}
B x x si
B x x si dt dt
x x f
n
n
B
n
n
X
,..., , 0
,..., , ... 1
,...,
1
1
1
1
1
En particular, si tenemos que
si su densidad es tal
que
31
| | | | 1 , 0 1 , 0 = B
| | | | 1 , 0 1 , 0 ~Unif X
R R f
2
:
( )
( ) | | | |
( ) | | | |
e
e
=
1 , 0 1 , 0 , , 0
1 , 0 1 , 0 , , 1
,
y x si
y x si
y x f
X
Densidad
32
| | | | 1 , 0 1 , 0 ~Unif X
Distribucin
33
| | | | 1 , 0 1 , 0 ~Unif X
Distribucin Marginal
Las funciones de distribucin marginal de
X y Y estn dadas por:
34
( )
( )
( )
( )
( )
( )
( )
( ) du dv v u f y x F Lm y F
dv du v u f y x F Lm x F
y
Y X Y X
x
Y
x
Y X Y X
y
X
} }
} }

= =
= =
, , ) (
, , ) (
, ,
, ,
35
( )
( )
( )
( )
}
}

=
=
dx y x f y f
dy y x f x f
Y X Y
Y X X
, ) (
, ) (
,
,
Densidad de probabilidad
marginal
Ejemplo 9 : Vector aleatorio normal de
parmetros .
Sea un vector fila y una matriz de
nxn definida positiva, no singular y
simtrica.
Decimos que el vector aleatorio tiene
distribucin normal de parmetros y
lo notamos si su densidad es:
tal que
36
E y
n
R e
E
X
E y
( ) E ~ , N X
R R f
n
:
( )
( ) ( )
( ) ( )
2
2 /
1 .
det 2
1
t
x x
n
e x f

t
E
E
=
Para el caso particular y ,
aqu verifica lo pedido y decimos que
tiene distribucin normal bivariada
estndar, su densidad es tal que:
37
) 0 , 0 ( =
|
|
.
|
\
|
= E
1 0
0 1
E
X
R R f
2
:
( )
( )
2
2 2
2
1
,
y x
e y x f
+
=
t
Densidad de
Normal bivariado estandar
38
X
39
Independencia de variables
aleatorias
Sean variables aleatorias sobre
un mismo espacio de probabilidad ,
decimos que son independientes
si
40
n
X X X ,..., ,
2 1
( ) P S , , |
n
X X X ,..., ,
2 1
( ) ( ) ( ) B e e e = e e
n n n n n
B B B X P B X P B X B X P ,..., ... ,...,
1 1 1 1 1
Criterio para la independencia
Teorema 3: Sean variables
aleatorias sobre un mismo espacio de
probabilidad , con funciones de
distribucin , sea la
funcin de distribucin conjunta, entonces
son independientes
41
n
X X X ,..., ,
2 1
( ) P S , , |
n
X X X
F F F ,..., ,
2 1
n
X X X
F
,..., ,
2 1
n
X X X ,..., ,
2 1

( ) ( ) ( ) ( )
n
n n X X n X X X
R x x x x F x F x x x F
n n
e = ,..., , ,..., ,
2 1 1 2 1 ,..., ,
1 2 1

Ejemplo 10
Retomemos el ejemplo 1, es inmediato
notar que X e Y no son independientes.
Sean X e Y tal que su distribucin conjunta
viene dada por:
Son independientes?
42
P(X=i,Y=j) i=1 i=2 i=3
j=0 2/9 2/9 2/9
j=1 1/9 1/9 1/9
Independencia de funciones de
variables aleatorias independientes.
Teorema 4: Sean variables
aleatorias independientes y
funciones medibles, entonces las variables
aleatorias son independientes.
43
n
X X X ,..., ,
2 1
R R g g g
n
: ,..., ,
2 1
( ) ( )
n
X g X g , ,
1

Ejemplo 11
Sea tal que
a. Determinar la constante c, , para
que f sea la funcin de densidad de un
vector aleatorio .
b. Hallar la funcin de distribucin de .
c. Calcular .
d. Hallar las densidades de X y de Y.
e. Son X e Y independientes?
44
R R f
2
:
( )
( ) | | | |
( ) | | | |
e
e
=
1 , 0 1 , 0 , , 0
1 , 0 1 , 0 , ,
,
y x si
y x si cx
y x f
R ce
( ) Y X X , =
X
| | | | ( ) 1 , 2 / 1 2 / 1 , 0 e X P
La frmula de la convolucin
Teorema 5: Si X e Y son variables
aleatorias continuas, reales e
independientes con las densidades de
probabilidad y respectivamente,
entonces, las correspondientes
densidades de probabilidades de
las variables aleatorias estn
dadas por
45
X
f
Y
f
Y X XY Y X
f y f f
/ ,
Y X y XY Y X / ,
46
( )
( )
< <
|
.
|
\
|
=
< <
|
.
|
\
|
=
< < =
< < =
}
}
}
}

+
t dx
t
x
f x f x t f
t dx
x
t
f x f
x
t f
t dx t x f x f t f
t dx x t f x f t f
Y X Y X
Y X XY
Y X Y X
Y X Y X
, ) ( ) (
, ) (
1
) (
, ) ( ) (
, ) ( ) (
/
Ejemplo 12
Sean X e Y dos variables aleatorias
independientes con funciones de densidad
si determine .
47
0 , ) (
0 , ) (
> =
> =
y e y g
x e x g
y
Y
x
X
Y X Z + =
) (z g
Z
Ejemplo 13
Sean X e Y dos variables aleatorias
independientes uniformemente distribuidas
sobre y , respectivamente.
Muestre que tiene la siguiente
densidad de probabilidad en el caso donde
a+c b+c a+d b+d z
48
| | b a, | | d c,
Y X Z + =
c d a b s
c d
1
( ) z f
Z
Transformaciones de vectores
aleatorios
Siendo y variables
aleatorias sobre un mismo espacio ,
estamos interesados en
49
m n
R R g :
( ) | , S
n
X X X ,..., ,
2 1
( )
n
X X X g Y ,..., ,
2 1
=
Transformaciones de vectores
aleatorios
Sea un vector aleatorio continuo cuya
funcin de densidad est dada por:
Calcular la distribucin de la variable
50
( ) Y X,
( )
< < < <

=
resto el en
y x si
y x f
, 0
1 0 ; 1 0 , 1
,
Y
X
Z =
Distribucion de la suma de v.a.
independientes
Teorema 6: Sean X e Y v.a
independientes, y definamos ,
entonces:
i. Si X e Y son discretas, S es discreta y
tiene distribucin
ii. Si X e Y son continuas, S es continua y
tiene densidad
tal que
51
Y X S + =
( ) ( ) ( )
= = = =
i
i i
x s Y P x X P s S P
R R f
S
: ( ) ( )dt t s f t f s f
Y X S
}

= ). (
Ejemplo 14
Sean X e Y variables aleatorias
independientes que poseen una
distribucin de Poisson con parmetros
. Encuentre la distribucin de
52
y
Y X Z + =

= e
j
x f
l
!
) (
Transformaciones multivariadas con
jacobianos
Supongamos que y son variables
aleatorias continuas con funcin de
densidad conjunta , y que para
toda tal que
y
es una transformacin uno a uno de a
con inversa
y
53
1
Y
2
Y
( )
2 1 ,
,
2 1
y y f
Y Y
( )
2 1
, y y ( ) 0 ,
2 1 ,
2 1
> y y f
Y Y
( )
2 1 1 1
, y y h u = ( )
2 1 2 2
, y y h u =
( )
2 1
, y y
( )
2 1
, u u
( )
2 1
1
1 1
, u u h y

=
( )
2 1
1
2 2
, u u h y

=
jacobianos
Si y tienen derivadas
parciales continuas respecto a y y
jacobiano
54
( )
2 1
1
1
, u u h
( )
2 1
1
2
, u u h
1
u
2
u
0 det
1
1
2
2
1
1
2
1
2
1
1
1
2
1
2
1
1
2
2
1
1
1
1
1
=
c
c
c
c
c
c
c
c
=
(
(
(
(
c
c
c
c
c
c
c
c
=

u
h
u
h
u
h
u
h
u
h
u
h
u
h
u
h
J
jacobianos
entonces, la densidad conjunta de y
es
donde es el valor absoluto del
Jacobiano.
55
1
U
2
U
( ) ( ) ( ) ( ) J u u h u u h f u u f
Y Y U U 2 1
1
2 2 1
1
1 , 2 1 ,
, , , ,
2 1 2 1

=
J
Ejemplo 15
Si y son variables aleatorias
normales estndar independientes y si
y Cul es la
densidad conjunta de y .
56
1
Y
2
Y
2 1 1
Y Y U + =
2 1 2
Y Y U =
1
U
2
U
Ejemplo 16
Si y son variables aleatorias con
distribuciones y .
Demuestre que y son
variables aleatorias independientes y
encuentre la distribucin de cada una.
57
1
Y
2
Y
Y X Z + =
1
( ) 1 , o gamma ( ) 1 , u gamma
Y X
X
Z
+
=
2
( )
( )
( )
( ) ( )
( ) ( )
< s
I I
+ I
=
< s
I
=
y
y y
y f Beta
y
e y
y f Gamma
y
0 ,
1
) ( : ,
0 , ) ( : ,
1
1
1
| o
| o
| o
o |
| o
|
o
o
| o
Esperanza de funciones de
vectores aleatorios
Teorema 7: Sea un vector
aleatorio con funcin de distribucin y
sea una funcin medible, entonces:
58
( )
n
X X X X ,..., ,
2 1
=
X
F
R R g
n
:
( ) ( ) ( )
n
n
X X X
R
n n
dF x x x g X X X g E
,..., , 2 1 2 1
2 1
,..., , ,..., ,
}
=
Teorema 8: Sean X e Y v.a integrables,
entonces
El resultado anterior es inmediatamente
generalizado para una cantidad finita de
variables aleatorias, es decir:
59
( ) ( ) ( )
( ) ( ) ( ) Y E X E XY E ii
Y E X E Y X E i
=
+ = +
.
.
( ) ( ) ( ) ( )
n n
X E X E X E X X X E + + + = + + + ... ...
2 1 2 1
siempre que las sean
independientes.
60
( ) ( ) ( ) ( )
n n
X E X E X E X X X E ... ...
2 1 2 1
=
n
X X X ...
2 1
Ejemplo 17
Sean iid con distribucin
Bernoulli de parmetro p. Sea
determinar
61
n
X X X ...
2 1
n
X X X X + + + = ...
2 1
( ) X E

Vectores Aleatorios

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Vectores Aleatorios

Enviado por

Direitos autorais:

Formatos disponíveis

TEORA DE PROBABILIDAD.

> > > +

< < < <

< < <

< < < <

Você também pode gostar