Escolar Documentos
Profissional Documentos
Cultura Documentos
Vectores Aleatorios
Definición 11.1 X = (X1 , X2 , . . . , Xn ) es un vector aleatorio definido en (Ω, A, P) ssi X1 , X2 , . . . , Xn
son variables aleatorias definidas en el mismo modelo (Ω, A, P).
Definición 11.3 Sea X = (X1 , X2 , . . . , Xn ) un vector aleatorio en (Ω, A, P). Diremos que:
a) X = (X1 , X2 , . . . , Xn ) es discreto ssi
Rec(X)= Rec(X1 , X2 , . . . , Xn )
Ası́,
(i) P(X = x) ≥ 0 ∀ x ∈ Rn
P
(ii) P(X = xi ) = 1
b) X = (X1 , X2 , . . . , Xn ) es continuo ssi existe una función
fX1 ...Xn : Rn → R
no negativa tal que
Z x1 Z xn
FX1 ...Xn (x1 , . . . , xn ) = ··· fX1 ...Xn (t1 , . . . , tn )dtn · · · dt1 , ∀ x∈R
−∞ −∞
En tal caso
∂n
fX1 ...Xn (x1 , . . . , xn ) = FX ...X (x1 , . . . , xn )
∂x1 · · · ∂xn 1 n
Ejemplo 11.1 Sean X e Y variables aleatorias con función distribución conjunta dada por
(1 − e−x )(1 − e−y ), x >0, y > 0;
FXY (x, y) =
0, e.o.c.
Determine fXY .
59
Definición 11.4 La distribución de probabilidad de X = (X1 , X2 , . . . , Xn ) se define como:
PX (B) = P(X ∈ B) ∀ B ⊂ Bn
Proposición 2 ∀ B ∈ Bn
X
P(X = x), X discreta
x∈B
PX (B) = P(X ∈ B) = Z
fX (x)dx, X continua
x∈B
Teorema 11.1 Sea X un vector aleatorio continuo n- dimensional con densidad fX (x). Sea g =
(g1 , g2 , . . . , gn ) una función. Considere el vector aleatorio Y = g(X). Esto significa que se considera
la transformación
y1 = g1 (x1 , . . . , xn )
y2 = g2 (x1 , . . . , xn )
..
.
yn = gn (x1 , . . . , xn )
Ejemplo 11.2 Sean X e Y dos variables aleatorias continuas con distribución de probabilidad
conjunta
4xy, 0 < x < 1, 0 < y < 1;
f (x, y) =
0, e.o.c.
Encuentre la densidad conjunta de W = X 2 y Z = XY .
60
11.2. Distribuciones Conjuntas Especiales
Algunas distribuciones multivariadas conocidas se enuncian a continuación:
Suponga que realiza N experimentos inpedendientes, en cada uno de los cuales puede obtener
uno de los k resultados posibles, cada uno con probabilidad p1 , p2 , . . . , pk , respectivamente, y desea
contar cuántas repeticiones de cada resultado obtuvo.
Ejemplo 11.3 Suponga que los errores de cierto procedimiento de medición tienen distribución
normal de media 0 y desviación estándar 2, en milı́metros. Suponga que se toman 10 mediciones
independientes. Calcule la probabilidad que: por lo menos 9 mediciones tengan errores menores a
los 2 milı́metros y que no más de una medición tenga error mayor a los 3 milı́metros.
donde
k
X k
X
xi = n, y Mi = N
i=1 i=1
Ejemplo 11.4 En un panel de presuntos jurados participan 6 hombres casados, tres hombres solte-
ros, siete mujeres casadas y cuatro mujeres solteras. Si la selección es al azar, ¿cuál es la probabilidad
de que el jurado consita de 4 hombres casados, un soltero, cinco mujeres casadas y dos solteras?
61
Entre las distribuciones multivariadas continuas, la distribución normal multivariada es de es-
pecial importancia, ya que es una generalización de la distribución normal en una variable.
Definición 11.7 El vector aleatorio (X, Y ) tiene una distribución normal bivariada si y sólo si
su función densidad conjunta está dada por
2 2
1 1 x − µ1 y − µ2 x − µ1 y − µ2
f (x, y) = p exp − + − 2ρ
2πσ1 σ2 1 − ρ2 2(1 − ρ2 ) σ1 σ2 σ1 σ2
Teorema 11.2 Si dos variables aleatorias tienen una distribución normal bivariada, son inpeden-
dientes si y sólo si ρ = 0.
62
11.3. Distribución Marginal y Condicional
Dada la distribución de probabilidad conjunta f (x, y) de las variables aleatorias X e Y , la
distribución de probabilidad f (x) de X se obtiene al sumar f (x, y) sobre todos los valores de Y .
De la misma forma, la distribución de probabilidad f (y) se obtiene al sumar f (x, y) sobre todos
los valores de X. Cuando X e Y son variables aleatorias continuas, las sumas se reemplazan por
integrales.
Definición 11.9 Sean X e Y dos variables aleatorias discretas o continuas. La distribución con-
dicional de la variable aleatoria Y, dado que X=x, está dada por:
fXY (x, y)
fY |X (y) = , fX (x) > 0
fX (y)
Ejemplo 11.5 Suponga que la fracción X de atletas hombres y la fracción Y de atletas mujeres que
terminan la carrera del maratón puede describirse por la función densidad conjunta
Definición 11.10 Sean X e Y dos variables aleatorias, discretas o continuas, con distribución
de probabilidad conjunta fXY y distribuciones marginales fX y fY , respectivamente. Las variables
aleatorias X e Y se dice que son independientes estadı́sticamente, ssi
63
Ejercicios 10 .
1. Usted tiene una urna con r fichas rojas y n fichas negras, con r ≥ 2 y n ≥ 2. Usted extrae
2 fichas al azar, sucesivamente y sin reemplazo. Para cada i ∈ {1, 2}, defina: Xi = 1, si la
i-esima bolita extraida es roja, y Xi = 0, si no.
Z = máx{X1 , X2 } y W = mı́n{X1 , X2 }.
a) Calcule fX , fY
b) Encuentre FX,Y (x, y) para 0 < y < x < 1.
c) Calcule P(Y > x/2)
5. Suponga que X e Y son variables aleatorias con densidad conjunta dada por:
y 0 en otro caso.
64
6. Suponga que X e Y son variables aleatorias con densidad conjunta dada por:
Sean
X
Z = X + Y, y W =
X +Y
a) Determine las respectivas densidades marginales de Z y W .
b) ¿Son Z y W variables aleatorias independientes?
c) Obtenga la función generadora de momentos de Z, MZ (t).
65
11.4. Esperanza y Varianza Condicional
Definición 11.11 Dado un vector aleatorio (X,Y) la esperanza condicional de Y dado X=x se
define como X
y P(Y = y|X = x), X discreta
E(Y |X = x) = Zy ∞
y fY |X (y)dy, X continua
−∞
Más generalmente, si g : R −→ R
X
g(y)P(Y = y|X = x), X discreta
E(g(Y )|X = x) = Zy ∞
g(y)fY |X (y)dy, X continua
−∞
Ejemplo 11.6 Sea Y |X = x ∼ U (0, 1 − x) y fX (x) = 2(1 − x), si 0 < x < 1. Determine E(Y ).
Propiedades:
i) E(c|X = x) = c
En particular,
E(g1 (X)g2 (Y )|X = x) = g1 (x)E(g2 (Y )|X = x)
66
Ejemplo 11.7 Sean X e Y variables aleatorias continuas tales que X ∼ U(0, 1) e Y |X = x ∼
U(x, x + 1).
Calcule:
b) E(Y ) y V(Y ).
e) Considere las funciones de variables aleatorias h(Y ) = E(X|Y ) y k(X) = E(Y |X). Calcule la
función de densidad de h(Y ) y la función de densidad de k(X).
Ejercicios 11 .
2. Sea X una variable aleatoria positiva con media α y varianza β. Condicional en el valor
observado x de X se generan variables aleatorias Y1 , Y2 , . . . , Yn independientes e idénticamente
distribuidas P oisson(cx).
67
5. Sean (X1 , Y1 ), (X2 , Y2 ), . . . vectores aleatorios tales iid donde X1 sigue una distribución U(0,1)
y la densidad condicional de Y1 dado X=x es
1 −y/x
fY1 |X1 (y) = ye , y>0
x2
Sea n
X
T = Yk
k=1
a) Calcule E(T )
b) Calcule V( Tn )
68