11.

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).

11.1. Distribución Conjunta

Definición 11.2 La función definida por
FX1 ,X2 ,...,Xn (x1 , x2 , . . . , xn ) = P(X1 = x1 , X2 = x2 , . . . , Xn = xn ), x∈R
se llama función distribución conjunta de X1 , X2 , . . . , Xn

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 )

es un subconjunto contable (finito o no) de Rn .

En tal caso, la distribución de probabilidad puede representarse mediante

n
\ 
P(X1 = x1 , X2 = x2 , . . . , Xn = xn ) = P {Xi = xi }
i=1

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

Ası́, PX (B), B ⊂ B n , es una medida de probabilidad.

⇒ (PX , B n , Rn ) es una medida de probabilidad.

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 )

Finalamente supóngase que g y g −1 son continuas y dieferenciables. Entonces la densidad de Y es

fY (y) = |J|fX (g −1 (y), g2−1 (y), . . . , gn−1 (y)) y ∈ Rn

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.

Definición 11.5 Las variables aleatorias X1 , X2 , . . . , Xk tienen una distribución multinomial

si y sólo si su distribución de probabilidad conjunta está dada por
 
n
P(X1 = x1 , Xk = xk , . . . , Xk = xk , ) = px1 px2 . . . pxkk
n1 n2 · · · nk 1 2
donde
r
X k
X
nj = n y pi = 1
j=1 i=1

Lo que se denota como

(X1 , . . . , Xk ) ∼ M ult(n, p1 , p2 , . . . , pk )

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.

Considere un conjunto de N elementos, de los cuales M1 son de la P primera clases, M2 de la

segunda clase, y ası́ sucesivamente, hasta Mk de la k-ésima clase, donde Mi = N .

Definición 11.6 Las variables aleatorias X1 , . . . , Xk tienen una distribución hipergeométrica

multivariada si y sólo si su distribución de probabilidad conjunta está dada por
M1
... M

k


x1 xk
P(X1 = x1 , . . . , Xk = xk ) = M


n

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

para x ∈ R, y ∈ R, σ1 , σ2 > 0, y −1 < ρ < 1.

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 11.8 Las distribuciones marginales de X e Y están dadas por

X X
pX (x) = fXY (x, y) y pY (y) = fXY (x, y)
y x

para el caso discreto y

Z Z
fX (x) = fXY (x, y)dy y fY (y) = fXY (x, y)dx
y x

para el caso continuo.

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

fXY (x, y) = 8xy, 0 ≤ x ≤ 1, 0 ≤ y ≤ x.

Encuentre fX , fY y fY |X y determine la probabilidad de que menos de 1/8 de las mujeres que se

inscribieron para un maratón en particular la finalicen, si se sabe que exactamente 1/2 de los atletas
hombres terminaron la carrera.

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

fXY (x, y) = fX (x)fY (y), ∀ x, y ∈ R

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.

a) Determine la función de probabilidad conjunta del vector (X1 , X2 ).

b) Determine las distribuciones marginales de X1 y X2 .
c) Obtenga la función de distribución acumulada FX1 X2 (x1 , x2 ) con (x1 , x2 ∈ R2 )

2. Sean X1 , X2 variables aleatorias con distribución exponencial de parámetro λ1 y λ2 respecti-

vamente. Suponga además que los eventos del tipo (X1 < c1 ) y (X2 < c2 ) son independientes
entre sı́ para cualquier c1 , c2 ∈ R+ , de lo que se desprende que los eventos del tipo (X1 > c1 )
y (X2 > c2 ) también lo son. Considere las siguientes variables aleatorias

Z = máx{X1 , X2 } y W = mı́n{X1 , X2 }.

a) Exprese FZ (z) en función de FX1 (z) y FX2 (z).

b) Calcule fZ (z).
c) Demuestre que W sigue una distribución exponencial e identifique su parámetro.

3. Sea (X, Y ) un vector aleatorio con función de densidad conjunta

fX,Y (x, y) = cxy, 0 ≤ x ≤ 1; 0 ≤ y ≤ 1

a) Calcule P(X ≤ t, Y ≤ t) para cualquier t ∈ (0,1).

b) Calcule P(X + Y ≥ 1).

4. Sean X e Y variables aleatorias con función de densidad de probabilidad conjunta


3x, 0 < y < x < 1;
fX,Y (x, y) =
0, e.o.c.

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:

fX,Y (x, y) = 120x(y − x)(1 − y) 0≤x≤y≤1,

y 0 en otro caso.

a) Verifique que Y tiene distribución Beta(α, β) e indique el valor exacto de α y β

b) Muestre que para todo 0 < t < 1, P (X ≤ t · Y ) = 3t2 − 2t3 .

64
 6. Suponga que X e Y son variables aleatorias con densidad conjunta dada por:

fX,Y (x, y) = 2x; 0 ≤ x ≤ 1, 0≤y≤1

a) Calcule P(X + Y ≤ t) para 0 ≤ t ≤ 2.

Indicación: Analice separadamente los casos 0 ≤ t ≤ 1 y 1 < t ≤ 2.
b) Obtenga la función de densidad de la variable aleatoria Z = X + Y.
c) Demuestre que sen(X) y {ln(Y )}2 son independientes.

7. Sean X e Y variables aleatorias independientes con distribución Normal(0, σ 2 ). Encuentre las

funciones de densidad margina de U = X 2 + Y 2 y V = X Y
y vea que estas son independientes.

8. Sea X e Y variables aleatorias independientes con funciones densidades marginales

fX (x) = xe−x , x>0 y fY (y) = ey y>0

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).

9. Sea (X, Y ) un vector bivariado discreto con función de probabilidad conjunta,

cy
pX,Y (x, y) = , 1 ≤ x ≤ 3; 1≤y≤x
x+1

Calcule pX (x) en función de la constante c y determı́nela.

10. Sea (X, Y ) un vector aleatorio con función de densidad conjunta

fX,Y (x, y) = c|y|e−x , 0 ≤ x ≤ ∞; −x ≤ y ≤ x

a) Encuentre la densidad marginal de X en término de la constante c. Demuestre que c =

1/2.
b) Encuentre la densidad marginal de Y y obtenga E(Y ).
c) Encuentre la densidad condicional de Y dado X = 1.

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



−∞

Proposición 3 Si E(|Y |) < ∞

E[E(Y | X)] = E(Y )

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

ii) E(Y1 + Y2 |X = x) = E(Y1 |X = x) + E(Y2 |X = x)

iii) E(cY |X = x) = c · E(Y |X = x)

iv) E(g(X, Y )|X = x) = E(g(x, Y ))

En particular,
E(g1 (X)g2 (Y )|X = x) = g1 (x)E(g2 (Y )|X = x)

v) E(g(Y )|X = x) = E(g(Y )) ⇔ X es independiente de Y.

Definición 11.12 La varianza condicional de Y dado X=x se define como

V(Y |X = x) = E[(Y − E(Y |X = x))2 |X = x]

 X

 (y − E(Y |X = x))2 P(Y = y|X = x), X discreta

= Zy ∞
(y − E(Y |X = x))2 fY |X (y)dy, X continua



−∞

Teorema 11.3 Suponga que E(Y 2 ) < ∞

V(Y ) = E(V(Y |X)) + V(E(Y |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:

a) E(Y |X = x) y V(Y |X = x).

b) E(Y ) y V(Y ).

c) La densidad condicional de X dado Y = y.

d) E(X|Y = y) y E(Y |X = x).

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 .

1. Sean X e Y variables aleatorias independientes con X ∼ P oisson(λ1 ), Y ∼ P oisson(λ2 ).

a) Muestre que Z = X + Y sigue una distribución Poisson. Determine el parámetro de esta

distribución.
b) Encuentre la función distribución del vector (X,Z).

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).

a) Calcule E(Y1 ) y V(Y2 )

b) Sea Tn = n1
P
Yi . Calcule E(Tn ) y V(Tn ).

3. Sean S y T variables aleatorias independientes con densidades marginales

1
fS (s) = s2 e−s , s>0 y fT (t9 = 2t, 0 < t < 1.
2
a) Sea X=ST. Encuentre la densidad de probabilidad conjunta de X y S.
b) Calcule E(X|T = t) y obtenga E(X).

4. Sean N, X1 , X2 , . . . variables aleatorias independientes donde N ∼ P oisson(λ) y Xi ∼ U (0, θ),

i = 1, 2, . . .
Sea
XN
T = Xi
i=1

a) Encuentre E(T ) y V(T ).

b) Sea Z = max{X1 , . . . , Xn }. Encuentre E(Z).

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 )

6. Sean X e Y variables aleatorias tales que Y |X = x ∼ Bin(x, p) y X ∼ P oisson(λ). Determine

la distribución de Y y calcule su esperanza.

68