Escolar Documentos
Profissional Documentos
Cultura Documentos
ASICA
Distribuciones de funciones de vectores
aleatorios.
Profesor: David Josafat Santana Cobian
2012
Facultad de Ciencias
UNAM
1 / 91
Indice
Distribuciones de funciones de vectores aleatorios.
Distribuciones de M aximos, Mnimos y Estadsticas de Or-
den.
M etodo usando el Teorema de Cambio de Variable.
M etodos usando funciones generadoras.
Distribuciones especiales.
2
, F, t y Normal Bivariada
2 / 91
Indice
Distribuciones de funciones de vectores aleatorios.
Distribuciones de M aximos, Mnimos y Estadsticas de Or-
den.
M etodo usando el Teorema de Cambio de Variable.
M etodos usando funciones generadoras.
Distribuciones especiales.
2
, F, t y Normal Bivariada
3 / 91
Indice
Distribuciones de funciones de vectores aleatorios.
Distribuciones de M aximos, Mnimos y Estadsticas de Or-
den.
M etodo usando el Teorema de Cambio de Variable.
M etodos usando funciones generadoras.
Distribuciones especiales.
2
, F, t y Normal Bivariada
4 / 91
Distribuciones de M aximos
Denici on
Sean X
1
, . . . , X
n
, una m.a., denimos como el m aximo de la
muestra a la v.a.
Y
n
= m ax{X
1
, . . . , X
n
} (1)
5 / 91
En la estadstica es muy importante estudiar el m aximo de una
m.a. Por ejemplo si estudiamos a n individuos de la poblaci on
mexicana, nos puede interesar la probabilidad de que el m as
alto, mida a lo m as 1.90mts. Si modelamos como X
j
= esta-
tura del j esimo individuo (en metros), entonces necesitamos
calcular:
P(Y
n
1.9)
C omo se resuelve este problema?
6 / 91
Veamos:
F
Y
n
(t ) = P(Y
n
t )
= P(m ax{X
1
, . . . , X
n
} t )
= P(X
1
t , . . . , X
n
t )
= P(X
1
t ) P(X
n
t )
= F
X
(t ) F
X
(t )
= (F
X
(t ))
n
,
donde F
X
(t ) es la funci on de distribuci on com un de la muestra.
7 / 91
Proposici on
Sean X
1
, . . . , X
n
una m.a. con funci ones de distribuci on y
densidad com un, F
X
(t ) y f
X
(t ), respectivamente. Si
Y
n
= m ax{X
1
, . . . , X
n
},
entonces:
F
Y
n
(t ) = (F
X
(t ))
n
(2)
8 / 91
Proposici on
y si X
1
, . . . , X
n
son v.a. continuas
f
Y
n
(t ) = n(F
X
(t ))
n1
f
X
(t ) (3)
9 / 91
Ejemplo
Sean X
1
, X
2
una m.a. U(0, 1). Hallar P(Y
2
> t ).
10 / 91
Sol:
P(Y
2
> t ) = 1 P(Y
2
t )
= 1 F
Y
2
(t )
= 1 (F
X
(t ))
2
= 1 t
2
11 / 91
Ejemplo
Supongamos que la edad de una cuerda de guitarra en
a nos es una v.a. exp(3/5). Si compramos un juego de 6
cuerdas nuevas para nuestra guitarra (la guitarra no tena
cuerdas), cu al es la probabilidad de que la ultima cuerda
en romperse, dure entre 1 y 2 a nos?
12 / 91
Sol: Sea T
j
= el tiempo que tarda en romperse la j- esima cuerda.
Entonces nos piden calcular la siguiente probabilidad:
P(1 m ax{T
1
, . . . , T
6
} 2)
13 / 91
Entonces, s olo debemos integrar entre 1 y 2 la densidad de Y
6
:
P(1 m ax{T
1
, . . . , T
6
} 2) = P(1 Y
6
2)
=
_
2
1
f
Y
6
(t )dt
=
_
2
1
6(F
X
(t ))
61
f
X
(t )dt
=
_
2
1
6(1 e
3/5t
)
5
(3/5)e
3/5t
dt
=
_
2
1
18
5
(1 e
3/5t
)
5
e
3/5t
dt
= 0.108014
14 / 91
Distribuciones de Mnimos
Denici on
Sean X
1
, . . . , X
n
, una m.a., denimos como el mnimo de la
muestra a la v.a.
Y
1
= mn{X
1
, . . . , X
n
} (4)
15 / 91
An alogamente, como en el m aximo, nos puede interesar la dis-
tribuci on del mnimo.
C omo se resuelve este problema?
16 / 91
Veamos:
F
Y
1
(t ) = P(Y
1
t )
= P(mn{X
1
, . . . , X
n
} t )
= 1 P(mn{X
1
, . . . , X
n
} > t )
= 1 P(X
1
> t , . . . , X
n
> t )
= 1 P(X
1
> t ) P(X
n
> t )
= 1 (1 F
X
(t )) (1 F
X
(t ))
= 1 (1 F
X
(t ))
n
,
donde F
X
(t ) es la funci on de distribuci on com un de la muestra.
17 / 91
Proposici on
Sean X
1
, . . . , X
n
una m.a. con funci ones de distribuci on y
densidad com un, F
X
(t ) y f
X
(t ), respectivamente. Si
Y
1
= mn{X
1
, . . . , X
n
},
entonces:
F
Y
1
(t ) = 1 (1 F
X
(t ))
n
(5)
y si X
1
, . . . , X
n
son v.a. continuas:
f
Y
1
(t ) = n(1 F
X
(t ))
n1
f
X
(t ) (6)
18 / 91
Ejemplo
Sean X
1
y X
2
que forman una muestra aleatoria de una
distribuci on Poisson con media 1. Si
Y
1
= mn[X
1
, X
2
],
calcular P(Y
1
= 1).
19 / 91
Sol:
P(Y
1
= 1) = P(Y
1
1) P(Y
1
0)
= 1 (1 F
X
(1))
2
1 + (1 F
X
(0))
2
= (1 F
X
(0))
2
(1 F
X
(1))
2
= (1 P(X 0))
2
(1 P(X 1))
2
20 / 91
Sol:
= (1 P(X = 0))
2
(1 P(X = 0) P(X = 1))
2
= (1 e
1 1
0
0!
)
2
(1 e
1 1
0
0!
e
1 1
1
1!
)
2
= (1 e
1
)
2
(1 2e
1
)
2
= (1 2e
1
+ e
2
) (1 4e
1
+ 4e
2
)
= 2e
1
3e
2
21 / 91
Ejemplo
Suponer que se tienen 100 focos, cuyas vidas (en horas)
son v.a.i.i.d. U(0, 100). Si los focos son usados todos a la
vez. Cu al es la probabilidad de que todos sigan
prendidos despu es de 1 hora?
22 / 91
Sol: La probabilidad de que todos sigan prendidos despu es de
1 hora, es pedir que todos los focos duren funcionando m as de
1 hora, o de manera equivalente que el foco que dure menos
sobreviva m as de 1 hora. Si X
j
= la vida del j esimo foco. En-
tonces:
1. X
j
U(0, 100)
2. F
X
(t ) =
t
100
Entonces:
P(Y
1
> 1) = 1 P(Y
1
1)
= 1 F
Y
1
(1)
= 1 [1 (1 F
X
(1))
100
]
= 1 [1 (1
1
100
)
100
]
= 0.366032
23 / 91
Estadsticas de Orden
Supongamos que lanzamos 10 dados y observamos que obtu-
vimos en cada uno. Los resultados son una m.a. X
1
, . . . , X
10
de
una uniforme discreta con 6 resultados. Supongamos que en
una realizaci on del experimento obtenemos la siguiente mues-
tra:
2,1,4,5,5,3,2,3,1,6
Si deseamos ordenar la muestra en orden ascendente:
1,1,2,2,3,3,4,5,5,6
Obtenemos una nueva muestra Y
1
, . . . , Y
10
, donde Y
1
es el mni-
mo y Y
10
es el m aximo de la muestra. Hemos obtenido las es-
tadsticas de orden.
24 / 91
Denici on
Sean X
1
, . . . , X
n
una m.a., entonces denimos sus estadsticas
de orden Y
1
, . . . , Y
n
de la siguiente manera:
Y
1
= mn{X
1
, . . . , X
n
}
Y
2
= mn{X
1
, . . . , X
n
, menos Y
1
}
Y
3
= mn{X
1
, . . . , X
n
, menos Y
1
, Y
2
}
.
.
.
Y
n
= m ax{X
1
, . . . , X
n
}
25 / 91
Indice
Distribuciones de funciones de vectores aleatorios.
Distribuciones de M aximos, Mnimos y Estadsticas de Or-
den.
M etodo usando el Teorema de Cambio de Variable.
M etodos usando funciones generadoras.
Distribuciones especiales.
2
, F, t y Normal Bivariada
26 / 91
Distribuci on de una transformaci on de una v.a.
continua X
(u
1
)
(y)
(y)
28 / 91
Ejemplo
Hallar al densidad de Y si X N(,
2
) y Y = e
X
.
29 / 91
Sol: Sabemos que
f
X
(x) =
1
2
2
e
1
2
(
x
)
2
con < X <
Primero, buscamos el soporte de Y:
0 < e
X
<
0 < Y < .
30 / 91
Y por otro lado:
F
Y
(t ) = P(Y t )
= P(e
X
t )
= P(X ln(t ))
= F
X
(ln(t ))
31 / 91
derivando,
f
Y
(t ) = f
X
(ln(t ))
1
t
sustituimos y tomando en cuenta el nuevo soporte llegamos a:
f
Y
(t ) =
1
t
1
2
2
e
1
2
(
ln(t )
)
2
, si 0 < t <
Esta funci on de densidad pertenece a una v.a. que se distribuye
Lognormal.
32 / 91
Distribuci on de una transformaci on de una v.a.
discreta X
Supongamos que X es una v.a. discreta con funci on de den-
sidad f (x) y queremos conocer la funci on de densidad de una
nueva v.a. Y = u(X), entonces dado un n umero y, Y tiene den-
sidad:
f
Y
(y) = P(Y = y)
= P(u(X) = y)
= P(X = u
1
(y))
33 / 91
Ejemplo
Hallar al densidad de Y si X Poisson(2) y Y = 3X 1.
34 / 91
Sol: Sabemos
f
X
(x) = e
2 2
x
x!
1
{0,1,2,...}
(x).
Primero buscamos el soporte de Y:
X = 0, 1, 2, ...
entonces,
3X = 0, 3, 6, 9, ...
y
3X 1 = 1, 2, 5, 8, ...,
por tanto
Y = 1, 2, 5, 8, ....
35 / 91
Y por otro lado:
f
Y
(t ) = P(Y = t )
= P(3X 1 = t )
= P(X =
t +1
3
)
= f
X
(
t +1
3
)
sustituimos y tomando en cuenta el nuevo soporte llegamos a:
f
Y
(t ) = e
2
2
(
t +1
3
)
/(
t +1
3
)! si x = 1, 2, 5, 8, . . .
36 / 91
Transformaci on de dos v.a.s con distribuci on
conjunta
Teorema
TEOREMA DE CAMBIO DE VARIABLE.
h
U
g
V
h
V
g
U
h
U
g
V
h
V
g
U
= |V (0) U 1|
= U
entonces:
f
U,V
(u, v) = |J(u, v)| f
X,Y
(uv, u 1) = ue
(uv+(u1))
para
1 < u < y 0 < z <
46 / 91
Ahora calculamos la marginal de V:
f
V
(v) =
_
1
ue
(uv+(u1))
du =
v+2
(v+1)
2
e
v
para 0 < v < .
47 / 91
Indice
Distribuciones de funciones de vectores aleatorios.
Distribuciones de M aximos, Mnimos y Estadsticas de Or-
den.
M etodo usando el Teorema de Cambio de Variable.
M etodos usando funciones generadoras.
Distribuciones especiales.
2
, F, t y Normal Bivariada
48 / 91
Hay otro m etodo para determinar la distribuci on de funciones
de v.a.s que en ciertas circunstancias resulta muy pr actico. Su
uso m as com un es para encontrar la distribuci on de sumas de
v.a.s independientes. Sin embargo, puede usarse para otro tipo
de transformaciones como se ver a en un ejemplo m as adelante.
En qu e consiste este m etodo?
49 / 91
Si X
1
, . . . , X
n
son v.a.s con densidad conjunta f (x
1
, . . . , x
n
)
y
Y = g(X
1
, . . . , X
n
),
calculamos la f.g.m. de Y.
i =1
X
i
entonces:
M
Y
(t ) =
n
i =1
M
X
i
(t ) = M
X
1
(t )M
X
2
(t ) M
X
n
(t ) (8)
51 / 91
Proposici on
Suponiendo que X
1
, ..., X
n
son una m.a., y que
M
X
i
(t ) = M(t ) para toda i = 1, 2, ..., n,
entonces:
M
Y
(t ) = (M(t ))
n
(9)
52 / 91
Proposici on
Si M
X
(t ) y M
Y
(t ) son las f.g.m. de X y Y, entonces
X Y M
X
(t ) = M
Y
(t ) (10)
53 / 91
Ejemplo
Supongamos que X N(0, 1). Sea Y = X
2
, encontrar la
distribuci on de Y.
54 / 91
Sol:
M
Y
(t ) = E(e
tY
)
= E(e
tX
2
)
=
_
e
tx
2
1
2
e
1
2
x
2
dx
=
1
2
_
1
2
x
2
(12t )
dx
=
_
1/2
1/2t
_
1/2
, t <
1
2
.
la cual reconocemos como la f.g.m. de una distribuci on gamma(
1
2
,
1
2
),
y de forma equivalente
2
con un grado de libertad.
55 / 91
Ejemplo
Supongamos que X
1
. . . X
n
es una m.a. y Y =
n
i =1
X
i
. Si
X
i
Bernoulli (p), c omo se distribuye Y?.
56 / 91
Sol: Utilizamos (14) con M
X
i
(t ) = M(t ) = 1 p + pe
t
M
Y
(t ) = (M(t ))
n
= (1 p + pe
t
)
n
la cual reconocemos como la f.g.m. de una distribuci on Bin(n, p),
y por lo tanto:
Y Bin(n, p).
57 / 91
Ejemplo
Supongamos que X
1
. . . X
n
es una m.a. y Y =
n
i =1
X
i
. Si
X
i
N(1, 2), c omo se distribuye Y?.
58 / 91
Sol: Utilizamos (14) con M
X
i
(t ) = M(t ) = e
t +t
2
:
M
Y
(t ) = (M(t ))
n
= (e
t +t
2
)
n
= e
n(t +t
2
)
= e
nt +nt
2
la cual reconocemos como la f.g.m. de una distribuci on N(n, 2n),
y por lo tanto:
Y N(n, 2n).
59 / 91
Las proposiciones (14) y (15) nos facilitan el trabajo de saber
c omo se distribuye una suma de v.a.s, como se ve en los si-
guientes resultados:
Proposici on
Supongamos que X
1
. . . X
n
es una m.a. y Y =
n
i =1
X
i
,
entonces:
a) Si X
i
Blli (p), entonces Y Bin(n, p).
b) Si X
i
Bin(m, p), entonces Y Bin(nm, p).
c) Si X
i
Poisson(), entonces Y Poisson(n).
d) Si X
i
Geo(p), entonces Y BinNeg(n, p).
e) Si X
i
BinNeg(m, p), entonces Y BinNeg(nm, p).
60 / 91
Proposici on
Supongamos que X
1
. . . X
n
es una m.a. y Y =
n
i =1
X
i
,
entonces:
a) Si X
i
N(,
2
), entonces Y N(n, n
2
).
b) Si X
i
Exp(), entonces Y gamma(n, ).
c) Si X
i
gamma(m, ), entonces Y gamma(nm, ).
d) Si X
i
2
k
, entonces Y
2
kn
.
61 / 91
Indice
Distribuciones de funciones de vectores aleatorios.
Distribuciones de M aximos, Mnimos y Estadsticas de Or-
den.
M etodo usando el Teorema de Cambio de Variable.
M etodos usando funciones generadoras.
Distribuciones especiales.
2
, F, t y Normal Bivariada
62 / 91
Distribuci on
2
La distribuci on normal, tiene dos par ametros y
2
. Hay ocasio-
nes en que se sabr a que una m.a. proviene de una distribuci on
normal, pero los par ametros sean desconocidos. La estadstica
estudia c omo estimar estos par ametros y se encontrar a que los
mejores estimadores de y
2
son respectivamente:
X
n
=
1
n
n
i =1
X
i
(11)
y
S
2
=
1
n 1
n
i =1
(X
i
X
n
)
2
. (12)
donde X
1
, . . . , X
n
es una m.a. normal.
63 / 91
De aqu, la importancia de saber c omo se distribuyen las v.a.s
denidas en (16) y (17). La funci on de densidad que da vida a la
distribuci on de S
2
es la distribuci on
2
y esta secci on est a dedi-
cada a su estudio.
64 / 91
Denici on
DISTRIBUCI
ON JI-CUADRADA Si X es una v.a. con densidad
f (x), k es un entero positivo y
f (x) =
1
(k/2)
_
1
2
_
k/2
x
k/21
e
1
2
x
, x > 0 (13)
entonces decimos que X
2
k
(X tiene distribuci on
Ji-cuadrada con k grados de libertad).
65 / 91
OBSERVACI
ON: La densidad de una
2
k
es igual a la densidad
de una v.a. gamma(k/2, 1/2) y por lo tanto:
E(X) = (k/2)/(1/2) = k,
Var (X) = (k/2)/(1/2)
2
= 2k y
M
X
(t ) =
_
1
12t
_
k/2
para t < 1/2.
66 / 91
Proposici on
Si las v.a.s X
1
, . . . , X
k
son independientes y tienen distribuci on
normal con medias
i
y varianzas
2
i
, entonces:
U =
k
i =1
_
X
i
i
i
_
2
(14)
tiene distribuci on
2
k
.
67 / 91
Un caso especial de la proposici on anterior, es cuando cada
X
i
N(0, 1). Por ejemplo, si k = 1,
X
2
1
2
(con un grado de libertad).
Y la suma de cuadrados de n normales est andar es una
2
n
:
n
i =1
X
2
i
2
n
.
68 / 91
Proposici on
Si Z
1
, Z
2
, . . . , Z
n
es una m.a. N(0, 1), entonces:
I) Z
n
N(0, 1/n).
II)
n
i =1
(Z
i
Z
n
)
2
2
n1
.
69 / 91
Corolario
Si S
2
=
1
n1
n
i =1
(X
i
X
n
)
2
es la varianza muestral de una m.a.
que proviene de una distribuci on N(,
2
), entonces:
U =
(n 1)S
2
2
2
n1
(15)
70 / 91
Distribuci on F de Fisher-Snedecor
La distribuci on F es de inter es pr actico en la Estadstica, es la
distribuci on del cociente de dos v.a.s
2
independientes dividi-
das por sus respectivos grados de libertad.
71 / 91
Supongamos que U y V son independientes con distribuci on
2
con m y n grados de libertad, respectivamente. Su densidad
conjunta es entonces:
f
U,V
(u, v) =
u
(m2)/2
v
(n2)/2
e
1
2
(u+v)
(m/2)(n/2)2
(m+n)/2
(16)
para 0 < u < y 0 < v < .
72 / 91
Entonces con los m etodos de este captulo, se puede estudiar
la distribuci on de la transformaci on
X =
U/m
V/n
El lector interesado en los detalles puede consultar el excelente
libro de Mood p ag. 246.
73 / 91
Y se llega a la siguiente densidad
f
X
(x) =
[(m + n)/2]
(m/2)(n/2)
_
m
n
_
m/2
x
(m2)/2
[1 + (m/n)x]
(m+n)/2
(17)
para 0 < x < .
74 / 91
Denici on
Si X es una v.a. cuya densidad est a dada por (22), entonces
decimos que X tiene distribuci on F con grados de libertad m y
n y se escribe X F
m,n
.
75 / 91
Teorema
Sea U una v.a.
2
m
, V una v.a.
2
n
, y sean U y V
independientes. Entonces la v.a.
X =
U/m
V/n
F
m,n
76 / 91
Corolario
Si X
1
, . . . , X
m+1
es una m.a. de una N(
X
,
2
), y Y
1
, . . . , Y
n+1
es una m.a. de una N(
Y
,
2
), y si las dos muestras son
independientes, entonces:
1. (1/
2
)
m+1
i =1
(X
i
X
m+1
)
2
2
m
.
2. (1/
2
)
n+1
j =1
(Y
j
Y
n+1
)
2
2
n
.
3.
m+1
i =1
(X
i
X
m+1
)
2
/m
n+1
j =1
(Y
j
Y
n+1
)
2
/n
F
m,n
.
77 / 91
Otras Propiedades...
Sea X F
m,n
, entonces:
1. 1/X F
n,m
.
2. E(X) =
n
n2
para n > 2.
3. Var (X) =
2n
2
(m+n2)
m(n2)
2
(n4)
para n > 4.
4. W =
mX/n
1+mX/n
Beta(m/2, n/2).
78 / 91
Distribuci on t de Student
Otra distribuci on de considerable importancia en la estadstica,
en particular para encontrar intervalos de conanza y pruebas
de hip otesis, es el cociente de una normal est andar y la raz
cuadrada de una
2
independiente dividida por sus grados de
libertad.
79 / 91
Si Z N(0, 1) y U
2
k
y son independientes Z y U, nos
interesa la distribuci on de
X =
Z
U/k
En la siguiente denici on se presenta su densidad.
80 / 91
Denici on
Si X es una v.a. con densidad
f
X
(x) =
[(k+1)/2]
(k/2)
1
k
1
(1+x
2
/k)
(k+1)/2
decimos que X tiene distribuci on t con k grados de libertad y
escribimos X t
k
.
81 / 91
Teorema
Si Z N(0, 1), independiente de U
2
k
, entonces
Z
U/k
t
k
82 / 91
Corolario
Si X
1
, . . . , X
n
son una m.a. de una N(0, 1), entonces
n(n1)(X)
(X
i
X)
2
t
n1
83 / 91
Otras Propiedades...
Sea X t
k
, entonces:
1. X
2
F
1,k
.
2. E(X) = 0 para k > 1.
3. Var (X) =
k
k2
para k > 2.
4. lm
k
t
k
N(0, 1)
84 / 91
Distribuci on Normal Bivariada
Una de las m as importantes densidades multivariadas es la
Normal Multivariada. Ya se ha estudiado el caso particular de
una sola variable y ahora estudiaremos el caso especial de la
Normal Bivariada.
85 / 91
Densidad
Sea (X, Y) con
X
,
Y
y
2
X
,
2
Y
las esperanzas y las varianzas
de X y Y respectivamente, y
X,Y
el coeciente de correlaci on;
si tiene funci on de densidad conjunta f (x, y) =
1
2
X
1
2
X,Y
e
1
2(1
2
X,Y
)
x
X
2
2
X,Y
x
X
X
y
Y
Y
+
y
Y
Y
_
y V =
_
2
X
Cov(X, Y)
Cov(X, Y)
2
Y
_
86 / 91
Figura: Normal Bivariada con =
0 y V = diag(1)
87 / 91
Figura: Normal Bivariada vista desde varios angulos con =
0 y
V = diag(5)
88 / 91
Teorema
Marginales Si
(X, Y) N(, V)
donde:
=
_
X
Y
_
y V =
_
2
X
Cov(X, Y)
Cov(X, Y)
2
Y
_
entonces: X N(
X
,
2
X
), y de igual manera Y N(
Y
,
2
Y
)
89 / 91
Bibliografa
Mendenhall, William. Estadstica Matem atica con Aplicacio-
nes, THOMSON PARANINFO, 6a edici on, 2002.
Mood, Alexander, et al. Introduction to the theory of statistics
, McGraw-Hill, 3rd edition, 1974.
Rinc on, Luis A. Curso intermedio de Probabilidad ,Facultad
de Ciencias, UNAM. Las Prensas de Ciencias, 2008.
Ross, Sheldon. Introduction to Probability Models, 9th edi-
tion, Elsevier, 2007.
Ross, Sheldon. A rst course in probability, 5th edition, Pren-
tice Hall, 1997.
90 / 91
Bibliografa
Norris J.R. Markov Chains , Cambridge University Press,
1998.
Rinc on, Luis A. Introducci on a los Pro-
cesos Estoc asticos (Notas preliminares) ,
http://www.matematicas.unam.mx/lars, 2010.
91 / 91