Repblica Bolivariana de Venezuela

Ministerio del Poder Popular Para la Defensa

Universidad Nacional Experimental Politcnica
de la Fuerza Armada
UNEFA
Ncleo Nagunagua

Integrantes:
Joanne Rodrguez
Karla Snchez
Laura Guerrero
Gilcenia Bello
Leiber Paradas
Luisana Rojo
Seccin: TA
Semestre: III
Ing. De Petrleo

Valencia, Abril 2011

ndice
Introduccin
Funcin Densidad Conjunta f.d.p Conjunta
Funcin Densidad Marginal
Funcin Densidad Condicional f.d.p Condicional.
Independencia de Variables y su relacin con f.d conjunta
Definicin de variables aleatorias independientes
Esperanza matemtica de funciones de variables aleatorias
Extensin al caso n-dimensional
Conclusiones.
Bibliografa

3
4
5
6
7
7
8
10
11
12

Introduccin
La estadstica es la parte de la matemtica que estudia el
comportamiento de variables aleatorias. Esta se define como aquellas variables
cuyos valores no estn fijados, sino que cada uno de ellos tiene una
probabilidad de que se produzcan. Debido a esto es necesario conocer con
profundidad este tipo de variables.
El estudio de las variables aleatorias bidimensionales es importante ya
que en muchos casos, puede ser empleado para registrar los resultados
simultneos de diversas variables aleatorias. Ejemplo al medir la cantidad de
precipitado P y volumen V de gas liberado en un experimento qumico dando
lugar a un espacio muestral bidimensional que consiste en los resultados (p, v)
A continuacin se darn a conocer conceptos como lo son la funcin de
densidad conjunta, marginal y condicional, el valor esperado o esperanza
matemtica, variable aleatoria independiente.

Variables Aleatorias Bidimensionales en determinadas ocasiones hay

que trabajar en espacios de ms de una dimensin, estableciendo aplicaciones
que transforman los sucesos elementales del experimento aleatorio en puntos
del espacio n-dimensional (Rn), estas aplicaciones se hacen utilizando
variables aleatorias (v.a.) bidimensionales o n-dimensionales.
En muchas ocasiones nos puede interesar estudiar conjuntamente dos
caractersticas del fenmeno aleatorio, es decir, estudiar el comportamiento
conjunto de dos v.a. para intentar explicar la posible relacin entre ellas.
Funcin de Densidad Continua cuando X y Y son variables aleatorias
continuas, la funcin de densidad conjunta f( x, y) es una superficie sobre el
plano xy, y P[ ( X, Y )...

Funcin Densidad Conjunta f.d.p Conjunta

El estudio de variables aleatorias y su distribucin de probabilidad, en lo
aprendido anteriormente ha estado restringido a espacios mustrales
unidimensionales en los que registramos los resultados asumidos por una sola
variable en un experimento. Sin embargo habr situaciones en las que
convenga registrar resultados simultneos de diferentes variables aleatorias.
Definicin:
Se dice que dos variables aleatorias X e Y tienen una distribucin continua
conjunta si existe una funcin NO negativa f definida sobre todo el plano xy tal
que para cualquier subconjunto A del plano,

La funcin f se denomina funcin de densidad de probabilidad conjunta o f.d.p

conjunta, de X e Y. Tal f.d.p conjunta debe satisfacer las dos condiciones
siguientes:

La probabilidad de que el par (X,Y) pertenezca a cualquier regin del plano xy

se puede determinar integrando la f.d.p conjunta f(x,y) sobre esa regin.
EL volumen total por debajo de la superficie z =f(x, y) y por encima del plano xy
debe ser 1. La probabilidad de que el par (X, Y) pertenezca al rectngulo A es
igual al volumen de la figura slida con base que se muestra a continuacin. La
parte superior de la figura slida est formada por la superficie z = f(x, y).

Ejemplo:
En un estudio para determinar la posibilidad de graduacin en una
universidad, basado en datos de estudios anteriores, debemos usar un
espacio bidimensional y registrar para cada individuo el resultado de su
examen de aptitud y las calificaciones de bachillerato.
Podemos medir la cantidad de precipitado P y el volumen V de un gas,
generado durante un experimento qumico controlado, teniendo as un
espacio muestral (p, v).
Tambin se puede medir la dureza D y el esfuerzo a la tensin T del
cobre estruido en fro cuyo resultado son (d, t).

Funcin Densidad Marginal

En la parte anterior observamos que si se conoce la f.d. conjunta F de
dos variables aleatorias X e Y, entonces se puede obtener la f.p. F1 de la
variable aleatoria X a partir de F. En este contexto en que la distribucin de X
se obtiene a partir de la distribucin conjuntas de X e Y, F1 se denomina f.d
marginal de X. Anlogamente, si se conoce la f.p. conjunta o la f.d.p conjunta
de X e Y, entonces se puede obtener la f.p marginal o f.d.p. marginal de cada
variable aleatoria a partir de .
Aqu hay que tener cuidado, ya que cuando se calcula la densidad
conjunta, hay que fijarse bien en el dominio de las otras variables.
Las funciones de densidad de probabilidad marginal de X y Y, denotadas
por X (X) y Y(Y) , respectivamente, estn dada por
X(X) =

f(x, y)dy, para - <x <

Y(Y) =

f(x, y)dx, para - <x <

Caractersticas:
La distribucin marginal de X es simplemente la funcin de probabilidad
de x, pero la palabra marginal sirve para distinguirla de la distribucin conjunta
de X e Y.
Una distribucin marginal nos da la idea de la forma como depende una
probabilidad con respecto a una sola variable.

Usos:
La f.d.p marginal es usada para hallar las diferentes distribuciones de
probabilidad estadstica de las variables individuales, con esta funcin
podemos asignar diferentes valores a las variables conjuntas sin tener que
relacionarlas, por ello se amplia las probabilidades de cada una de las
variables.
Ventajas

La distribucin marginal de dos variables aleatorias se pueden

obtener a partir de su distribucin conjunta.
Para una variable aleatoria se puede especificar probabilidades para
dicha variable sin tener en cuenta los valores de cuales quiera otras
variables aleatorias.
Desventajas
No es posible reconstruir la distribucin conjunta de dos variables
aleatorias a partir de sus distribuciones marginales sin informacin
adicional.
La f.d.p. marginal representada en grafica no proporcionan
informacin acerca de la relacin entre las variables aleatorias
conjuntas.
Funcin Densidad Condicional f.d.p Condicional.
Definicin:
Sean X y Y dos v.a continuas con p.d.f f(x, y) conjunta y p.d.f f x(x) marginal
X. Entonces, para cualquier valor x de X para el que fx(x) >0, la funcin de
densidad de probabilidad condicional de Y, dado que X = x es:

Para cada valor fijo y, la funcin

puesto que

es una f.d.p para X sobre la recta real,

>= 0 y

Caractersticas:

La definicin
es paralela a la P(B | A), que es la probabilidad
condicional de que B ocurra, dado que A ha ocurrido.
La f.d.p Condicional g1(x|y) de X debe ser proporcional a f(x, y o). En
otras palabras, g1(x|y) es esencialmente igual que f(x, y o), pero incluye

un factor constante 1/ [f2(yo)] que se necesita para que la integral de la

f.d.p condicional sobre todos los valores de X sea la unidad.
Uso:
Sirve para estudiar la posibilidad de que ocurra un X, bajo la ocurrencia de Y; o
viceversa.

Independencia de Variables y su relacin con f.d conjunta

Definicin:
Segn DeGroot, 1988, Se dice que dos variables aleatorias X e Y son
independientes si, para dos conjuntos cualesquiera A y B de numeros reales
Definicin de variables aleatorias independientes
Dadas X e Y, variables aleatorias con funciones de densidad de probabilidad fx
y fy , respectivamente, se dice que son independientes si

donde f designa a la funcin de densidad conjunta de la variable bivariante

(X,Y) .
Otra forma de exponer este concepto, pasa por considerar los sucesos A y B,
de la experiencia aleatoria, determinados por dos conjuntos de valores
numricos de X e Y, respectivamente. La independencia de X e Y se traduce
en la independencia entre A y B, es decir, la probabilidad de que tengan lugar
los sucesos A y B simultneamente debe coincidir con el producto de la
probabilidad de realizacin de A por la de B :

Esta definicin puede extenderse a k variables aleatorias Y1 , Y2 , ... , Yk ,

donde la independencia entre ellas est asegurada si

donde f y fi designan las funciones de densidad conjunta de (Y1,Y2 ,...,Yk) y de

Yi , respectivamente.

Esperanza matemtica de funciones de variables aleatorias

En estadstica la esperanza matemtica (tambin llamada esperanza, valor
esperado, media poblacional o media) de una variable aleatoria X, es el
nmero

que formaliza la idea de valor medio de un fenmeno aleatorio.

Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la

probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho
suceso. Por lo tanto, representa la cantidad media que se "espera" como
resultado de un experimento aleatorio cuando la probabilidad de cada suceso
se mantiene constante y el experimento se repite un elevado nmero de veces.
Cabe decir que el valor que toma la esperanza matemtica en algunos casos
puede no ser "esperado" en el sentido ms general de la palabra - el valor de la
esperanza puede ser improbable o incluso imposible.
Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras
es 3,5. Podemos hacer el clculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso,
en el que todos los sucesos son de igual probabilidad, la esperanza es igual a
la media aritmtica.
Una aplicacin comn de la esperanza matemtica es en las apuestas o los
juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas
equiprobables. La ganancia para acertar una apuesta a un solo nmero paga
de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos
la apuesta, as que recibimos 36 veces lo que hemos apostado). Por tanto,
considerando los 38 posibles resultados, la esperanza matemtica del beneficio
para apostar a un solo nmero es:

que es -0,0526 aproximadamente. Por lo tanto uno esperara, en media, perder

unos 5 cntimos por cada euro que apuesta, y el valor esperado para apostar 1
euro son 0.9474 euros. En el mundo de las apuestas, un juego donde el
beneficio esperado es cero (no ganamos ni perdemos) se llama un "juego
justo".
Nota: El primer parntesis es la "esperanza" de perder tu apuesta de $1, por
eso es negativo el valor. El segundo parntesis es la esperanza matemtica de
ganar los $35. La esperanza matemtica del beneficio es el valor esperado a
ganar menos el valor esperado a perder.

Definicin
Para una variable aleatoria discreta con valores posibles
y sus
probabilidades representadas por la funcin de probabilidad p(xi) la esperanza
se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la

integral de todos los valores y la funcin de densidad

La definicin general de esperanza se basa, como toda la teora de la

probabilidad, en el marco de la teora de la medida y se define como la
siguiente integral:

La esperanza tambin se suele simbolizar con

Las esperanzas

para

se llaman momentos de orden

Ms importantes son los momentos centrados

No todas las variables aleatorias tienen un valor esperado. Por ejemplo, la

distribucin de Cauchy no lo tiene.
Propiedades
La esperanza es un operador lineal, ya que:

Combinando estas propiedades, podemos ver que -

donde
e
cualesquiera.

son variables aleatorias y

son tres constantes

Extensin al caso n-dimensional

Distribuciones marginales
Si (X ,Y) es una variable aleatoria bidimensional, llamaremos variables
marginales a cada una de las variables componentes, X e Y , y a sus
distribuciones respectivas, distribuciones marginales.
Intuitivamente, dos sucesos son independientes cuando el conocimiento de la
ocurrencia de uno de ellos no modifica la probabilidad del otro. Este concepto
se puede extender a variables aleatorias.
En este contexto, si (X ,Y) es una variable aleatoria bidimensional, y sabemos
que Y ha tomado el valor y , diremos que X e Y son variable aleatorias
independientes cuando este conocimiento no modifica la distribucin de
probabilidad de X . Esta idea se puede generalizar al caso de variables
aleatorias ndimensionales.
Independencia de variables aleatorias bi y ndimensionales
Teorema:
Sea (X ,Y) una variable aleatoria bidimensional: Entonces, X e Y son
independientes si y solo si:

Si
(X ,Y) es discreta con distribucin de probabilidad
xi , yi , p ij ; i, j Xi, Yj , Pij , i, j

se verifica que:

Pij Pr X xi , Y y j Pr Y y j pi p j

x, y R 2

Si (X ,Y) es continua con funcin de densidad f (x,y) , se verifica que

f x, y f x x f y y

x, y R 2

Esta caracterizacin se extiende al caso de n variables y debido a su gran

importancia se describe a continuacin.
Teorema:
Sea X 1 ,..., X n una variable aleatoria ndimensional. Entonces, las variables
X 1,,X n
Son independientes si y solo si se verifica x1 , x2 ,..., xn R :

Si X 1 ,..., X n es discreta,
Pr X 1 x1 ,... X n Pr X 1 x1 ... Pr X n xn

Si X 1 ,..., X n es contina con funcin de densidad f,

f x1 , x2 ,...xn f x1 f x2 ... f xn

10

Conclusiones.
1. Si X e Y tienen una distribucin continua conjunta, entonces se puede
concluir que:
Cualquier punto o cualquier sucesin infinita de puntos, en el plano
xy tiene probabilidad 0
Cualquier curva unimensional en el plano xy tiene probabilidad 0. Por
tanto la probabilidad de que (X, Y) pertenezca a cualquier recta en el
plano es 0 y la probabilidad de que (X, Y) pertenezca a cualquier
recta en el circulo es 0.
Sirve para evaluar 2 o ms v. a. continas simultneamente.
2. Si X e Y tienen una distribucin continua Marginal, entonces se puede
concluir que:
Evala solo lo que es importante en el caso que se esta estudiando,
marginando al resto de variables aleatorias

11

Bibliografa

http://www.ucm.es/info/genetica/Estadistica/estadistica_basica.htm

http://ima.udg.edu/~sainz/doctor_int2.pdf

http://kuainasi.ciens.ucv.ve/ideas07/documentos/articulos_ideas/Articulo
87.pdf

http://docencia.mat.utfsm.cl/~rhidalgo/files/cursillo.pdf

www.seqc.es

http://es.wikipedia.org/wiki/Esperanza_matemtica

http://e-stadistica.bio.ucm.es/glosario2/def_var_indepen.html

http://html.rincondelvago.com/estadistica_49.html

12