P. 1
DISTRIBUCIONES BIVARIADAS

DISTRIBUCIONES BIVARIADAS

4.0

|Views: 23.149|Likes:
Publicado porwbaldolondoñp
ES IMPORTANTE EL CONOCIMIENTO DE LAS DISTRIBUCIONES BIVARIADAS COMO UNA INTRUDUCCION A LAS DISTRIBUCIONES MMUESTRALES
ES IMPORTANTE EL CONOCIMIENTO DE LAS DISTRIBUCIONES BIVARIADAS COMO UNA INTRUDUCCION A LAS DISTRIBUCIONES MMUESTRALES

More info:

Published by: wbaldolondoñp on May 19, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/19/2015

pdf

text

original

CAPITULO III

Distribuciones Bivariadas. Muchos de los fenómenos que aparecen en la naturaleza y en la vida
diaria, involucran diferentes y diversos factores. Cada factor puede ser identificado por medio de
una variable. En éste sentido un fenómeno de interés estará regido por el comportamiento
conjunto de muchas variables. Si X y Y son variables aleatorias (discretas o continuas), la
distribución que rige el comportamiento conjunto de ambas variable se conoce como distribución
Bivariable o Conjunta. Si se tienen más de dos variables le llamaremos distribución multivariable
(Multivariada).

Ejemplo: De un gran lote de impresoras descompuestas se escogen al azar cuatro. Se clasifica
cada impresora según el daño, leve o severo. Sea X el número de impresoras con daño leve y
sea Y el número de impresoras con daño severo. Es claro que ( ) 4 0 1 2 3 4 X bin , p , x , , , , = y
( )
2
4 0 1 2 3 4 Y bin , p , y , , , , = .
Si x 0 y 4 Si x 1 y 3 Si x 2 y 2
Si x 3 y 1 Si x 4 y 0 Así X Y 4
; ; ;
; .
= ¬ = = ¬ = = ¬ =
= ¬ = = ¬ = + =

De manera natural el espacio de las variables aleatorias X e Y estará conformado ppor el
conjunto de pares ( ) x , y tal que 4 x y + = .
( ) ( ) ( ) ( ) ( ) ( ) { }
x y 4 x 0 1 2 3 4
x, y 0 4 1 3 2 2 3 1 4 0
y 0 1 2 3 4
; , , , ,
, , , , , , , , ,
, , , ,
+ = = ¦ ¹
A = =
´ `
=
¹ )

El par ( ) x , y será llamado vector aleatorio.
Caso discreto: Sean X e Y variables aleatorias. La distribución de probabilidad conjunta de X e
Y, la cuál denotaremos
xy
f está dada por ( ) ( )
xy
f x , y P X x , Y y = = = .
Propiedades:
1) ( ) ( ) 0
xy
f x , y , x , y A > ¬ e
2) ( ) 1
xy
x y
f x , y =
¯¯
3) Si ( ) ( ) ( )
( )
xy
x , y A
A A P x , y A f x , y
e
_ ¬ e =
¯ ¯
.
La distribución acumulada para X e Y,
xy
F , está dada por
( ) ( ) ( )
2
x y
F x, y X x, Y y x, y P . = s s ¬ eR
.
Ejemplo: Sean X e Y variables aleatorias discretas con distribución de probabilidad
xy
F dada por

Calcule
( ) P x , y A e

donde

Solución:
( ) ( )
( )
( ) ( ) ( )
x y x y x y x y
x, y A
6
x, y A F x, y F 0 0 F 1 1 F 2 2
8
P , , ,
e
e = = + + =

¯¯

X 0 1 1 2 2
Y 0 1 2 1 2
x y
F
1/8 ¼ 1/8 1/8 3/8 ( ) { } ( ) ( ) A x, y x y x 1 y 1 x 1 y 2 , P , , P . = = s s > . <
( ) ( ) ( ) ( )
x y x y x y
x 1 y 1
3
x 1 y 1 F x, y F 0 0 F 1 1
8
P , ,
s s
s . s = = + =
¯¯

( ) ( ) ( )
x y x y
x 2 y 2
1
x 1 y 2 F x, y F 2 1
8
P ,
> <
> . < = = =
¯¯

Ejemplo: Una urna contiene 3 bolas rojas, 4
bolas blancas y 2 azules. Se extraen al azar y
sin reemplazo 3 bolas de la urna. Sea X: el
número de bolas blancas en la muestra y sea Y:
el número de bolas rojas en la muestra. Halle
xy
F .
Solución: ( (( ( ) )) ) { {{ { } }} }
1 3 A x , y x y = s + < = s + < = s + < = s + < .
Se tiene que ( ) 9 4 3 X hip , , y
( )
x y
4 3 2
x y 3 x y
1 x y 3
9 F x, y
3
0 otro caso
,
,
¦| || || |
¦ | | |
÷ ÷
\ .\ .\ .
¦
s + s
¦
= | |
´
|
¦
\ .
¦
¦
¹
Caso Continuo: Sean X e Y variables aleatorias continuas definidas en un conjunto
2
A _ R . La
distribución acumulada de X e Y, denotada por
xy
F , está dada por: ( ) ( )
xy
F x , y P X x , Y y = s s .
Si existe una función
xy
F no negativa
2
f : ÷ R R tal que ( )
2
xy
xy
F
F x , y
x dy
c
=
c
( ) x , y ¬ donde
2
xy
F
x dy
c
c
existe (y también
2
xy
F
x dy
c
c
).
xy
F es llamada función de densidad de
probabilidad conjunta de X e Y.
Propiedades de
xy
F
1) Por el teorema fundamental del calculo en
2
R ,
( ) ( )
y x
x y
F x y F t s ds dt , ,
÷· ÷·
=
í í
.
2) ( ) ( )
2
1
xy xy
F x , y dy dx F x , y dy dx
+ · + ·
÷ · ÷ ·
= =
í í í í
R
3) Si ( ) ( )
2
xy
B P x , y B F x , y dy dx _ ¬ e =
í í
R
Ejemplo: Determine el valor de c que hace que la función
( )
( )
x y
c x y 0 x 3 x y x 2
F x y
0 otro caso
, , ,
,
,
¦ < < < < +
=
´
¹
Sea una f.d.p conjunta de X e Y.
Solución:
( ) ( )
( )
2
3 x 2
x y
0 x
x 2
2
3 3 3
2
0 0 0
x
F x y dA 1 c x y dy dx
y
c xy dx c 4x 2 dx c 2x 2x
2
1
24 c 1 c
24
, ,
,
+
+
= ·

= + = + = +

= = =
í í í í
í í
R
Calcule:

a)

b)

c)

Ejemplo: Se está interesado en el comportamiento conjunto de dos variables aleatorias X: el
tiempo total empleado por una persona al ingresar a un banco hasta ser atendido y Y: el tiempo
en fila. La f.d.p conjunta de X e Y está dada por:

Calcule
( ) ( ) x 2 y 1 x y 1 P , , P > > ÷ <
( ) ( )
2
2
1 2 1
0 x 0
x
1
2 3
1
2
0
0
1 1 y
x 1 y 2 x y dydx x y dx
24 24 2
1 3x 1 x 1 5 5
2x 2 dx x 2x
24 2 24 2 24 2 12
P ,

< < = + = +

| |
| |
= + ÷ = + ÷ = =
| |
\ . \ .

í í í
í
( ) ( ) ( )
2 x 2 2
1 x 1
2
2
1
1 1
1 x 2 x y dy dx 4x 2 dx
24 24
1 8 1
2x 2x
24 24 3
P
+
< < = + = +

= + = =

í í í
( ) ( ) ( )
( )
( )
2 x 2 3 x 2
0 2 2 x
2
2 2 2
0 x 0
2
3
2
0
1 1
y 2 x y dy dx x y dy dx
24 24
1 1 3x
1 x y dy dx 1 2x 2 dx
24 24 2
1 x 1 1 5
1 x 2x 1 4 1
24 2 24 6 6
P
+ +
> = + + +
| |
= ÷ + = ÷ + ÷
|
\ .

= ÷ + ÷ = ÷ = ÷ =


í í í í
í í í
( )
x
x y
0 y x
F x, y
0 otro caso
e ,
,
÷
¦ s <
=
´
¹
( ) ( )
x
x x
2 1 2
x
2
2
X 2 Y 1 dy dx x 1 dx
2
x
P , e e
e
e
+· +·
÷

÷
> > = = ÷
= ÷ =
í í í
( )
( )
( )
1 y
x
0 y
1 y -y
0
1 y -y
0
X Y 1 dx dy
dy
1
1
P e
e e
e e
e
+· +
÷

÷ +

÷ +
÷ < =

= ÷ ÷


= ÷ ÷ = ÷

í í
í
Valor Esperado: Sean X e Y variable aleatoria (discretas o continuas) con distribución de
probabilidades (o f.d.p) conjunta
xy
F .
[ ]
( )
( ) ( )
xy
xy
x f x y si X e Y variables aleatorias discretas
X
g x y f x y dA si X e Y variables contínuas
, ,
E
, , ,
¦
¦
=
´
¦
¹
¯¯
í í

Ejemplo: Sean X e Y variables aleatoria discretas con distribución de probabilidad conjunta
xy
F
dada por:
Halle

[ ] ( )
( )
xy
x y
X x f x y
,
E , =
¯ ¯
Solución:
[ ] ( ) ( ) ( ) ( ) ( )
xy xy xy xy xy
11
X 0 f 0 0 1f 1 1 1f 1 2 2 f 2 1 2 f 2 2
8
E , , , , , = + + + + =
[ ] ( ) ( ) ( ) ( ) ( )
xy xy xy xy xy
11
Y 0 f 0 0 1f 1 1 2 f 1 2 1f 2 1 2 f 2 2
8
E , , , , , = + + + + =
[ ] ( ) ( )
x
X x f x y x f x !E , ! = =
¯¯ ¯
( ) [ ]
2
2 2
x y
19 19 11 31
X x f x y X
8 8 8 64
E , V
| |
= = ¬ = ÷ =
|

\ .
¯¯

( ) [ ]
2 2
x y
19 31
Y y f x y Y
8 64
E , V = = ¬ =

¯¯

[ ] ( )
x y
18 9
X Y x y f x y
8 4
E , = = =
¯¯

Ejemplo: Sean X e Yvariables aleatorias continuas con f.d.p conjunta dada por
( )
x
xy
0 y x
f x y
0 otro caso
e ,
,
,
÷
¦ s <
=
´
¹
Hallar

Solución:
X 0 1 1 2 2
Y 0 1 2 1 2
x y
F
1/8 1/4 1/8 1/8 3/8
[ ] [ ] [ ] ( ) [ ]
[ ] [ ] ( ) [ ]
2
2
X Y X X X
Y Y Y X Y
E , E , E E V ,
V E E , E

÷ =



= ÷


[ ] [ ] [ ] [ ] [ ] X Y X Y X Y E , E , V , V , E
[ ] ( )
x +
x 2 x
x
0 0 0
X x dy dx x dx F 3 2 U E e e !
+· ·
÷ ÷
= = = = =
í í í

[ ]
x
2
x + +
x x 2 x
y
0 0 0 0
0
y 1
Y y dy dx dx x dx 1 U
2 2
E e e e
+· · ·
÷ ÷ ÷
= = = = =
í í í í

x
2 2 x 3 x
0 0 0
X x dy d x d 3 6 E e x e x !
+· +·
÷ ÷
= = = =
í í í

3
x + +
2 2 x x 3 x
0 0 0 0
1 6
Y y dy dx dx x dx 2
3 3 3
x
E e e e
+· · ·
÷ ÷ ÷
= = = = =
í í í í

[ ] [ ]
2 2 2 2
x
X X U 6 4 2 Y Y U 2 1 1
y
V E , V E = ÷ = ÷ = = ÷ = ÷ =


[ ]
3
x + +
x x 3 x
0 0 0 0
x 1 6
X Y x y dy dx dx x dx 3
2 2 2
E e e e
+· · ·
÷ ÷ ÷
= = = = =
í í í í

Distribuciones Marginales: Sean X e Y variables aleatorias (discretas o continuas). La
distribución marginal de las variables aleatorias X ó Y, están dadas por:

( )
( )
( )
x y
y
x
x y
f x y X e Y variables aleatorias discretas
Analogamente
f x
para Y
f x y dy X e Y variables aleatorias continuas
, ,
, ,
¦
¦ ¦
=
´ ´
¹
¦
¹
¯
í
Una notación similar:
( ) ( ) ( ) { }
x x y
f x f x y dy a b a x
x
x
R
, ; R , = = eA =
í
Ejemplo: Sean X e Y variables aleatoria discretas con distribución de probabilidad conjunta dada
por:

( ) ( ) ( ) ( ) ( )
x x y x y x y x y
y
f x f x y f x 0 f x 1 f x 2 para x 0 1 2 , , , , ; , , = = + + =
¯
( ) ( ) ( ) ( ) ( )
2
y x y x y x y x y
x 0
f y f x y f 0 y f 1 y f 2 y para y 0, 1,2 , , , , ;
=
= = + + =
¯
Ejemplo: Sean X e Y variables aleatoria discretas con distribución de probabilidad
x y
f
dada por:
( )
x y
x y
f x y x 1 2 3 y 0 1 2 3
36
, , , , ; , , ,
+ ¦
= = =
´
¹
( )
3
x
y 1
x y 3x+6 x 2
f x x 1 2 3
36 36 12
; , ,
=
+ +
= = = =
¯
( )
3
y
x 1
x y 3y 6 y 2
f y y 1 2 3
36 36 12
; , ,
=
+ + +
= = = =
¯
Ejemplo: Sean X e Yvariables aleatorias continuas con f.d.p conjunta dada por
X 0 1 1 2 2
Y 0 1 2 1 2
x y
F
1/8 1/4 1/8 1/8 3/8
x 0 1 2
( )
x
f x
1/8 3/8 4/8
y 0 1 2
( )
y
f y
1/8 3/8 4/8
Distribuciones Condicionales: Sean X e Y variables aleatorias (discretas o continuas) con
distribución de probabilidades
xy
f . La distribución condicional de “ Y dado X x = ”, es una función de
los valores de la variable aleatoria Y cuando se fija un valor especifico para X.
Si denotamos dicha función por
Y|x
f entonces
( )
( )
( )
( )
x y
Y|x x
x
f x y
f y f x 0
f x
,
, = >
(Análogamente se define
Y|x
f ).

Ejemplo: Para el ejercicio anterior:

( )
( )
( ) ( )
x y
Y|x
x
x y
f x y
x y
36
f y y 1 2 3
x 2
f x 3 x 2
12
,
, , ,
+
+
= = = =
+
+
( )
( )
( ) ( )
x y
X|y
y
x y
f x y
x y
36
f x x 1 2 3
y 2
f y 3 y 2
12
,
, , ,
+
+
= = = =
+
+
( )
( )
( ) ( )
Y|1
x
f 1 y
1 y y 1
f y y 1 2 3
f 1 3 1 2 9
,
, , ,
+ +
= = = =
+
( )
( )
( ) ( )
xy
X|2
y
f x 2
x 2 x 2
f x x 1 2 3
f 2 3 2 2 12
,
, , ,
+ +
= = = =
+
Observe que para cualquier caso
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
x Y|X y X|Y
x Y|X y X|Y
P x , y P x P y | x P y P x | y
o
F x , y F x F y | x F y F x | y
= =
= =

Diremos que X e Y son v.a Estadísticamente independientes si
( )
x
xy
0 y x
f x y
0 otro caso
e ,
,
,
÷
¦ s <
=
´
¹
( )
x
x x
x
0
f x dy x x 0 e e ,
÷ ÷
= = >
í
( )
+
x y
y
y
f y dx y 0 e e ,
·
÷ ÷
= = >
í
( )
x y
x 1 2 3
x y
f x y 36 y 1 2 3
0 otro caso
, ,
,
, , ,
,
= ¦ +
¦
= =
´
¦
¹
( )
( )
x
y
x 2
f x x 1 2 3
12
y 2
f y y 1 2 3
12
, , ,
, , ,
+
= =
+
= =
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
x y
x y
P x , y P x P y x , y
o
F x , y F x F y x , y
= ¬
= ¬
Si existe algún par ( ) x , y para el cual no se cumple esta igualdad, diremos que X e Y son

Estadísticamente dependientes.
Ejemplo: Sean X e Yvariables aleatorias continuas con f.d.p conjunta
xy
f .dada por:
( )
( )
x
x
y
x
f x x x 0
f y y 0
e ,
e ,
÷
÷
= >
= >

( ) ( ) ( )
x
Y|x x
1
f y 0 y x uniforme en 0, x
x x
e
,
e
÷
÷
= = s <
( )
( )
x
x y
X|y y
f x y x
e
e ,
e
÷
÷ ÷
÷
= = <
( ) ( )
( ) x 1
Y|2 X|1
1
f y 0 y 2 f x x 1
2
, , e ,
÷ ÷
= < < = >
Observe que ( ) ( )
( ) x y x
x y
f x f y xe e
÷ ÷ ÷
= = entonces X e Y no son estadísticamente
independientes.
Al igual que en el caso de una variable, podemos definir el valor esperado para funciones de más
de una variable aleatoria, solo que tenderemos más de una sumatoria o más de una integral,
según el caso.
Como
Y|x
f o
X|y
f son distribuciones o funciones de densidad de probabilidad, tiene sentido calcular
probabilidades condicionales y valores esperados condicionales.

Sean X e Y variables aleatorias (discretas o continuas) y sean
x
A A _ y
y
B A _ .
( )
( )
( )
( )
x|y
x A
x|y
A
f x caso discreto
Análogamente
X A|Y y
Y B X x
f x dx caso continuo
,
P ;
P |
,
e
¦
¦
e = =
´
e =
¦
¹
¯
í
El valor esperado de “ Y dado X x = ”, el cuál se denota [ ] E Y| X x = ó
Y|x
µ , está dado por
[ ]
( )
( )
[ ]
Y|x
y
X|y
Y|
y f y caso discreto
Análogamente
Y X x
X Y y
y f y dy caso continuo
x
,
E | ;
E | U
,
= =
= =
¯
í
Si g es una función de Y entonces
( )
( ) ( )
( ) ( )
xy
x y
xy
g y f x y
g y
g y f x y dy dx
,
E
,
¦
¦
=
´

¦
¹
¯¯
í í

( )
x
x y
0 y x
f x y
0 otro caso
e ,
,
,
÷
¦ s <
=
´
¹
Análogamente
( )
( ) ( )
( ) ( )
Y|x
y
Y|x
g y f y caso discreto
g Y X x
g y f y dy caso contínuo
,
E |
,
¦
¦
= =
´

¦
¹
¯
í
Análogamente
( )
( ) ( )
( ) ( )
x y
x
x| y
h x f x discreto
h x Y y
h x f x dx caso continuo
|
,
E |
,
¦
¦
= =
´

¦
¹
¯
í
Así la varianza de “ Y dado X x = ”,la cuál denotamos [ ]
V Y| X x = o
2
Y|X
o está dada por:
[ ] ( )
2
2 2 2
Y x Y|x Y|x
Y X x Y X x Y X x
|
V | E U | E | U

= = o = ÷ = = = ÷




[ ]
2 2 2
X y X| y
X Y y X Y y
|
V | E | U = = o = = ÷


Ejemplo: Sean X e Y variables aleatoria discretas con distribución conjunta dada por:

( )
x y
x y
f x y x 1 2 3 y 1 2 3
36
, , , , , ,
+ ¦
= = =
´
¹
.
Hallar:
[ ]
Y X 1 E | =
,
[ ]
X Y 2 E | =
,
( ) X 2 Y 2 P | < =
,
( ) Y 1 X 1 P | > =
Solución:
[ ] ( ) ( ) ( ) ( )
3
Y 1 Y 1 Y 1 Y 1 1
y 1
2 6 12 20
Y X 1 y f y 1f 1 2f 2 3f 3
9 9 9 9
| | | | Y|
E | U
=
= = = + + = + + = =
¯
[ ] ( )
3
X 2 2
X 1
3 8 15 26 13
X Y 2 x f x
12 12 12 12 6
| X|
E | U
=
= = = + + = = =
¯
( ) ( ) ( ) ( )
1
X 2 X 2
X 1
3 1
X 2 Y 2 X 1 Y 2 f x f 1
12 4
| |
P | P |
=
< = = s = = = = =
¯
( ) ( ) ( )
3
Y 1
Y 2
3 4 7
Y 1 X 1 Y 2 X 1 f y
9 9 9
|
P | P |
=
> = = > = = = + =
¯
Ejemplo: Sean X e Yvariables aleatorias continuas con f.d.p conjunta dada por:

Hallar
[ ] X Y 1 E | =
,
[ ] Y X 2 E | =
[ ]
( )
( )
x 1
X| 1 1
1
1
1
X Y 1 x dx 2
x
x
E | e U
e


÷ ÷
÷
÷ +
= = = = =
í
( )
x
x y
0 y x
f x y
0 otro caso
e ,
,
,
÷
¦ s <
=
´
¹
[ ]
2
2
2
Y| 2
0
0
1 y
Y X 2 y dy 1
2 4
E | U = = = = =
í
Calcular:
( ) Y 3 X 2 P | > =
,
( ) X 3 Y 1 P | < =
,
2
Y 2 |
o
,
2
X1 |
o
.
Podemos hablar de valor esperado condicional, pero usaremos las distribuciones condicionales en
vez de las conjuntas o marginales (según el caso).
Asi,
El valor esperado de “ Y dado X x = ”, el cuál denotamos
[ ]
( )
( )
Y|X
y
Y|X
y P y | x ; X e Y discretas
E Y| X x
y f y | x dy ; X e Y continuas
¦
¦
= =
´
¦
¹
¯
í
[ ]
E Y| X x = suele denotarse
Y|x
µ .
Análogamente se define
X|y
µ
Covarianza y Correlación
Cuando dos v.a X e Y no son independientes la pregunta de interés es ¿Qué tan relacionadas
están?. Una medida del grado de dependencia entre X e Y es conocida como Covarianza.
Definición: Sean X e Y v.a. (discretas o contínuas). La Covarianza entre X e Y mide el grado
de dependencia entre estas variables. Una Covarianza alta implica, casi siempre, una alta
dependencia entre X e Y. El problema de la covarianza es quee s sensible a la escala de
medición de las variables involucradas. Así Covarianzas altas no implican necesariamente alta
dependencia. Para evitar este problema observe que:
0
X
X
X
E
÷µ
=

o


y 1
X
X
X
V
÷µ
=

o


. Similar para con Y. Lo que implica que
X
X
X÷µ
o
y
Y
Y
Y÷µ
o
estan
a la misma escala y son adimensionales. Por lo tanto la Covarianza entre estas dos variables no
depende de la escala de medición. La Covarianza entre
X
X
X÷µ
o
y
Y
Y
Y÷µ
o
se conoce como
correlación entre X e Y.
Definición: La correlación entre X e Y, o Coeficiente de correlacion lineal entre X e Y, se
denota como
xy
p y
[ ]
X Y
xy
X Y X Y
X Y cov X , Y
cov ,
| | | | ÷µ ÷µ
p = = | |
| |
o o o o

\ . \ .

Se puede demostrar que 1
xy
p s .
Un valor de
xy
p cercano a 1 indica una alta dependencia lineal positiva. Un valor de
xy
p cercano a
1 ÷ indica un alta dependencia negativa. Un valor cercano a cero indica poca independencia lineal.

Ejemplo:
Tenga en cuenta que si la correlación es cercana a cero esto no implica que NO hay
independencia entre X e Y.
Ejemplo: Sean X e Y v.a discretas con p.m.f conjunta dada por

x 0 1 1 2 2
y
0 1 2 1 2
( ) P x , y 1
8
1
4
1
8
1
8
3
8
Halle [ ] [ ] [ ] [ ]
xy
E X , E Y , V X , E XY , p
Solución:
[ ] ( )
( )
( ) ( ) ( ) ( ) ( ) 0 0 0 1 1 1 1 1 2 2 2 1 2 2 2
x , y
E X x p x , y p , p , p , p , p , = = + + + +
¯ ¯
[ ]
11
8
E X =
Análogamente [ ]
11
8
E Y =
[ ]
2
2 2 2
19 19 11 31
8 8 8 64
X
E X V X E X
| |
= = ÷ µ = ÷ =
|

\ .

[ ] ( )
( )
( )( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( ) 0 0 0 0 1 1 1 1 1 2 1 2 2 1 2 1 2 2 2 2
x , y
E XY xyp x , y p , p , p , p , p , = = + + + +
¯ ¯
[ ]
18 9
8 4
E XY = =
[ ]
18 11 11 23
8 8 8 64
cov X , Y
| || |
= ÷ =
| |
\ .\ .

23
23
64
0 7419
31
31 31
64 64
xy
. p = = =
Definición: Sean X e Y variables aleatorias (discretas o continuas) con distribución conjunta
xy
f .
X e Y se dicen variables aleatorias Estadísticamente Independientes (E.i). si
( ) ( ) ( )
( )
x y x y x y x y
f x y f x f y
,
, , = ¬ eA
con esto
( ) ( )
X| y x
f x f x =
y
( ) ( )
Y| x Y
f y f y =
.
Corolario: Si X e Y son variables aleatorias E.i entonces ( ) ( ) ( ) E XY E X E Y = . Si h y g son
funciones de valor real.
( ) ( ) ( ) ( ) ( ) g X h Y g X h Y E E E =

.
Ejemplo: Sean X e Y v.a. discretas con distribución de Probabilidad dada por:

Calcule
[ ] [ ] [ ] ( )( )
x y
X Y X Y X U Y U E , E , E , E - -


¿Son X e Y variables aleatorias E.i?

Solución:
[ ]
X 0 E =
,
[ ]
2
Y
8
E =
,
[ ]
X Y 0 E =
,
( )( ) [ ]
x y x y
X U Y U X Y U U 0 E - - E

= ÷ =


X e Y no son E.i, pues
( ) ( ) ( )
x y x y
1 3 2 6
f 1 1 f 1 f 1
8 8 8 64
, ÷ ÷ = = ÷ ÷ = - =
Ejercicios propuestos:

- (*)Demuestre que la siguiente función satisface las propiedades de una función de
probabilidad conjunta.
x
y
( (( ( ) )) )
XY
f x , y
1 5 . 2
1
8
1 5 . 3
1
4
2 5 . 4
1
2
3 5
1
8
- Continuación del anterior ejercicio
Calcule las probabilidades siguientes
a. ( (( ( ) )) ) 2 5 3 P X . , Y < < < < < < < <
b. ( (( ( ) )) ) 2 5 P X . < << <
c. ( (( ( ) )) ) 3 P Y < << <
d. ( (( ( ) )) ) 1 8 4 7 P X . , Y . > > > > > > > >
e. Determine ( (( ( ) )) ) E X y ( (( ( ) )) ) E Y
X
-1 0 1
-1 1/8 0 1/8 2/8
Y 0 1/8 0 1/8 2/8
1 1/8 1/4 1/8 4/8
3/8 1/4 3/8
f. Determine la distribución de probabilidad marginal de la variable aleatoria X
g. Determine la distribución de probabilidad condicional de Y dado que 1 5 X . = == =
h. Determine la distribución de probabilidad condicional de X dado que 2 Y = == =
- En la transmisión de información digital, la probabilidad de que un bit tenga una distorsión
alta, moderada o baja es 0.01, 0.04 y 0.95, respectivamente. Suponga que se transmiten
tres bits y que la cantidad de distorsión de cada uno es independiente. Sean X y Y las
variables aleatorias que denotan el número de bits, de los tres transmitidos, que tienen una
distorsión alta o moderada, respectivamente.
a. ¿Cuál es el rango de la probabilidad conjunta de X y Y?
b. Calcule ( (( ( ) )) ) 3 0 P X , Y = = = = = = = =
c. Determine ( (( ( ) )) ) 2 1 P X , Y = = = = = = = =
d. Determine ( (( ( ) )) ) 2 0 P X , Y = = = = = = = =
e. ¿Son independientes las variables aleatorias del ejercicio (*). Explique su respuesta.

- Determine el valor de c tal que la función ( (( ( ) )) ) f x, y cxy = == = , para 0 3 x < < < < < < < < y 0 3 y < < < < < < < < , cumpla
con las propiedades de una función de densidad de probabilidad conjunta.

- Continuación del anterior ejercicio
Determine lo siguiente:
a. ( (( ( ) )) ) 2 5 3 P X . , Y < < < < < < < <
b. ( (( ( ) )) ) 2 5 P X . < << <
c. ( (( ( ) )) ) 1 2 5 P Y . < < < < < < < <
d. ( (( ( ) )) ) 1 8 1 2 5 P X . , Y . > < < > < < > < < > < <
e. ( (( ( ) )) ) E X
f. ( (( ( ) )) ) E Y
- Determine el valor de c que hace que la función ( (( ( ) )) ) ( (( ( ) )) ) f x , y c x y = + = + = + = + sea una función de
densidad de probabilidad conjunta sobre el rango 0 3 x < < < < < < < < y 2 x y x < < + < < + < < + < < + .
- Continuación del ejercicio anterior

- Obtenga lo siguiente:
a. ( (( ( ) )) ) 1 2 P X , Y < < < < < < < <
b. ( (( ( ) )) ) 1 2 P X < < < < < < < <
c. ( (( ( ) )) ) 2 P Y > >> >
d. ( (( ( ) )) ) 2 2 P X , Y < < < < < < < <
- e. ( (( ( ) )) ) E X
- Se utilizan dos métodos para medir la rugosidad superficial con la finalidad de evaluar un
producto de papel. Las mediciones se registran como una desviación a partir del valor
nominal de la rugosidad de la superficie. La distribución de probabilidad conjunta de las dos
mediciones puede describirse mediante una distribución uniforme sobre el interior de la
región 0 4 x < < < < < < < < , 0 y < << < , y 1 1 x y x ÷ < < + ÷ < < + ÷ < < + ÷ < < + . Esto es, ( (( ( ) )) ) f x , y c = == = para ( (( ( ) )) ) x , y tal que 0 4 x < < < < < < < < ,
0 y < << < , y 1 1 x y x ÷ < < + ÷ < < + ÷ < < + ÷ < < +
a. Determine el valor de c para el que ( (( ( ) )) ) f x , y es una función de densidad de probabilidad
conjunta.
b. Determine ( (( ( ) )) ) 0 5 0 5 P X . , Y . < < < < < < < <
c. Obtenga ( (( ( ) )) ) 0 5 P X . < << <
d. Calcule ( (( ( ) )) ) E X y ( (( ( ) )) ) E Y
e. Obtenga la distribución de probabilidad condicional de X dado que 1 Y = == =
- Determine la Covarianza y la correlación de la siguiente distribución de probabilidad
conjunta
x
y
( (( ( ) )) )
XY
f x , y
1 3
1
8
1 4
1
4
2 5
1
2
3 6
1
8
Sean X e Y variables aleatorias continuas con p.d.f. conjunta dada por:

Calcule
x y
o ,
x y
p
Solución: Sabemos que [ ] [ ] [ ] [ ] [ ] E X 2 , E Y 1 , V X 2 , V Y 1 y E XY 3 = = = = =
Así [ ] [ ] ( ) ( )
X Y
Cov X, Y E XY 3 2 1 1 = ÷µ µ = ÷ = y por tanto
x y
1 1
0.707
2 . 1 2
p = = =
Ejercicio:
- Demuestre que la siguiente función satisface las propiedades de una función de
probabilidad conjunta
x
y
( (( ( ) )) )
XY
f x , y
1 ÷ ÷÷ ÷ 2 ÷ ÷÷ ÷
1
8
0 5 . ÷ ÷÷ ÷ 1 ÷ ÷÷ ÷
1
4
0 5 . 1
1
2
1 2
1
8
Calcule las siguientes probabilidades
a. ( (( ( ) )) ) 0 5 1 5 P X . , Y . < < < < < < < <
b. ( (( ( ) )) ) 0 5 P X . < << <
( )
x
x y
0 y x
f x y
0 otro caso
e ,
,
,
÷
¦ s <
=
´
¹
c. ( (( ( ) )) ) 1 5 P Y . < << <
d. ( (( ( ) )) ) 0 25 4 5 P X . , Y . > < > < > < > <
Ejemplo: Supóngase que la variable aleatoria continua X denota la longitud de una de las
dimensiones de una pieza moldeada por inyección, y que la variable aleatoria continua Y denota
la longitud de otra dimensión de lamisca pieza. Supóngase además que la función de densidad de
probabilidad conjunta ( (( ( ) )) )
XY
f x , y es constante sobre la región R identificada por 4 8 5 2 . x . < < < < < < < < y
2 2 0 1 x y x . < < + < < + < < + < < + .
Sea c el valor constante, no conocido, de ( (( ( ) )) )
XY
f x , y .
( (( ( ) )) )
5 2 2 0 1
4 8 2
1
XY
. x .
. x
f x , y dx dy
c dy dx
· · · · · · · ·
÷· ÷· ÷· ÷· ÷· ÷· ÷· ÷·
+ ++ +
= == =
= == =
í í í í í í í í
í í í í í í í í

Una vez efectuada la integración, se tiene que 25 c = == = .
Determine ( (( ( ) )) ) 4 9 5 1 P . X . < < < < < < < < . Esto representa la probabilidad de que la dimensión X cumpla las
especificaciones. Esta probabilidad es el volumen bajo la ( (( ( ) )) )
XY
f x , y sobre la región 4 9 5 1 . X . < < < < < < < < ,
la cuál aparece indicada con una Q. Sin embargo, ( (( ( ) )) )
XY
f x , y es igual a cero, excepto sobre la
región R . Por consiguiente el volumen es la integral de la constante 25 sobre la intersección de Q
y R . Ahora bien,
( (( ( ) )) ) ( (( ( ) )) )
[ [[ [ ] ]] ]
5 1 2 0 1
4 9 2
5 1 2 0 1
4 9 2
5 1
4 9
4 9 5 1
25
25 0 1
25 0 1 0 2 0 5
. x .
XY
. x
. x .
. x
.
.
P . X . f x , y dy dx
dy dx
. dx
. . .
+ ++ +
+ ++ +
< < = < < = < < = < < =

= == =


= == =
= × = = × = = × = = × =
í í í í í í í í
í í í í í í í í
í íí í
Determínese ( (( ( ) )) ) 10 0 10 1 P . Y . < < < < < < < < . La probabilidad pedida está representada por el volumen de
( (( ( ) )) )
XY
f x , y sobre la región sombreada T . El volumen puede hallarse al particionar T en dos
regiones,
1
T y
2
T , tales que
1 2
T T T = = = = . Entonces,
( (( ( ) )) ) 10 0 10 1 25 P . Y . < < = < < = < < = < < = por el área de
2
T
( (( ( ) )) )
( (( ( ) )) )
5 0 2 0 1
4 95 10 0
5 05 10 1
5 0 2
5 0
4 95
5 05
5 0
25
25
25 2 0 1 10 0
25 10 1 2
0 0625 0 0625
0 125
. x .
. .
. .
. x
.
.
.
.
dy dx
dy dx
x . . dx
. x dx
. .
.
+ ++ +

= == =



+ ++ +



= + ÷ = + ÷ = + ÷ = + ÷



+ ÷ + ÷ + ÷ + ÷


= + = + = + = +
= == =
í í í í í í í í
í í í í í í í í
í íí í
í íí í
Ejercicio: Sean X e Y v.a. con distribución conjunta dada por:
( )
y 2x
x y
x
f x y x 0 y 0 1 2 3
y!
e
, ; ; , , , , ...
÷
¦
= > =
´
¹
Hallar
[ ] [ ]
2 2
x y Y x x y y y X x y
f f f f X Y
| X|
, , , , , E , E , , , p o o o
.
Ejemplo: Sean X e Y variables aleatorias discretas con distribución conjunta dada por:

Halle
x y
o
.
[ ] ( )
x y
18 9
X Y x y f x y
8 4
E , = = =
¯¯

[ ]
11
X
8
E =
,
[ ]
2
x y
11 9 11 23
Y 0 359375
8 4 8 64
E .
| |
= o = ÷ = =
|
\ .
.
Ejercicio: Sean X e Y variables aleatorias continuas con f.d.p dada por:

Halle
x y
o .
[ ]
x
x
0 0
X Y x y dy dx 3 E e

÷
= =
í í
,
[ ] X 2 E =
,
[ ]
x y
Y 1 3 2 1 E = o = ÷ =
Debido a los problemas de escala, observe que:
X
X
X÷µ
o
y
Y
Y
Y÷µ
o
son variables aleatorias con media cero y varianza 1.
x 0 1 1 2 2
y
0 1 2 1 2
( )
x y
f x y ,
1/8 1/4 1/8 1/8 3/8
( )
x
x y
0 y x
f x y
0 otro caso
e ,
,
,
÷
¦ s <
=
´
¹
[ ] ( )
x
x
x x
X U 1
X U 0 E E
÷
= ÷ =

o o

y
[ ]
x
2
x x
X U 1
X 1 V V
÷
= =

o o

.
Así, las variables
X
X
X÷µ
o
y
Y
Y
Y÷µ
o
está a la misma escala.
Así, la Covarianza entre estas dos variables no depende de las escalas de medición. Esta nueva
medida se conoce como coeficiente de correlación lineal entre X e Y y se denota
x y
p
( )( )
x y
y y
x x
x y
x y x y x y
X U Y U
Y U Y U
X U X U
cov
E
, E

÷ ÷ | | ÷ ÷ | | ÷ ÷

p = = = |
|
|
o o o o o o
\ .
\ .

Así,
[ ]
x y
X Y
cov X, Y
p =
o o
. Es fácil ver que
x y
1 p s .
Un valor de
x y
p cercano a uno indica una lata dependencia positiva (cuando X aumenta, Y
tiende a aumentar). Un valor de
x y
p cercano a menos 1 indica una alta dependencia negativa. Un
x y
p cercano a cero no permite concluir.
Para el ejemplo anterior,
[ ]
x y
X Y
cov X, Y
p =
o o
donde [ ] cov X, Y 1 = ,
2
X
2 o = y
2
y x y
1
1 0 707
2
. o = p = ~
.
Corolario: Sean X e Y variables aleatorias (discretas o continuas). Si X e Y son
estadísticamente independientes , entonces
x y
0 p = .
Ejemplo: esta muestra que si
x y
0 p = no implica independencia entre X e Y. Sean X e Y
variables aleatorias discretas con distribución de probabilidad dada por:
[ ] [ ]
[ ]
[ ] [ ] [ ]
x y
x y
x y
cov X Y X Y U U
X Y x y f 0
2
X 0 Y cov X Y 0 0
8
, E
E
E , E ,
= ÷
= =
= = = ¬ p =
¯¯

pero ( ) ( ) ( )
x y x y
1 3 4 3
f 1,1 f 1 f 1
8 8 8 16
| || |
÷ = = ÷ = =
| |
\ .\ .
es decir X e Y son estadísticamente
dependientes.

Distribución normal bivariada
Sean X e Y variables aleatorias continuas. Diremos que X e Y tienen una distribución normal
bivariada si su f.d.p conjunta está dada por:
X
-1 0 1
-1 1/8 0 1/8
Y 0 1/8 0 1/8
1 1/8 1/4 1/8
( )
( )
2
x y
1
2 1
x y
2
x
x y x y
y
x
y
1
f x y
U
2 1
U
Q
, e ;
÷
÷p
÷· < < +·
÷· < < +·
= -
÷· < < +·
t o o ÷p
÷· < < +·
2
2
y y
x x
x y x y x y
x x y y
Y U Y U
X U X U
Q 2 0 1 ; , , | |
| | | | ÷ ÷ | | | | ÷ ÷
= ÷ p + o o > p < | |
| |
| |
o o o o
\ . \ .
\ . \ .

No es difícil mostrar que

Las distribuciones marginales para X e Y son variables aleatorias normales
( )
2
x x
n U X , o
,
( )
2
y y
n U Y , o
y
x y
p = p
.
Además,
( ) ( )
2 2 x
y x y
y
x n U x U 1 Y| ,
| |
o
+p ÷ o ÷p
|
|
o
\ .

,
( ) ( )
2 2 x
x y x
y
y n U y U 1 X| ,
| |
o
+p ÷ o ÷p
|
|
o
\ .

[ ] ( )
y y y
y x y x
x x x
Y X x U x U a x b; con a y b U U E |
o o o
= = +p ÷ = + = p = ÷p
o o o
.
Teorema: Sean X e Y son variables aleatorias con f.d.p conjunta una normal bivariada X e Y
son estadísticamente independientes entonces
x y
0 p = .
Demostración:
" " :
Si
( ) ( ) ( )
2
2
y
x
y
x
Y U
1 X U 1
2
2
x y x y
x y
1 1
f x y f x f y
2 2
, e e

| | ÷
| | ÷

| ÷ ÷ |
|
o
o
\ . \ .


= - =
t o t o

( )
2
2
y x
x y
Y U
X U 1
2
x y x y
x y
1
0 f x y
2
, e

| | ÷ | | ÷

| ÷ + |
|
o o
\ .
\ .


p = ¬ =
t o o
( )
2
x y
f x y dy dx 1 , =
í í

Ejemplo: Suponga que X e Y son variables aleatorias con f.d.p normal bivariada con
x
U 1 =
,
y
U 2 =
,
2
x
U 1 =
,
2
y
U 4 =
,
x y
1
3
p = p =
.
Calcule:
( ) ( ) [ ] [ ] [ ] a) X 2 b) Y 1 c) Y X 1 d) X Y e) 5X 2Y 1 P P E | E V < > = ÷ +
Sugerencia.
Solución: ( ) ( ) ( )
1 2 2
n 1 1 n 2 4 x n 2 x 1 4
3 1 3
X , , Y , , Y| ,
| | | | | |
+ ÷
| | |
\ . \ . \ .
, ,
( ) ( )
X 1 2 1
a) X 2 Z 1 0 8413
1 1
P P P .
÷ ÷ | |
< = < = < =
|
\ .

( )
Y 2 1 2 1 1
b) Y 1 Z Z 0 6915
2 2 2 2
P P P P .
÷ ÷ | | | | | |
> = < = > ÷ = < =
| | |
\ . \ . \ .

[ ] ( )
1 2
c) Y X 1 2 1 1 2
3 1
E |
| |
= = + ÷ =
|
\ .

[ ] [ ] [ ]
[ ]
[ ] [ ]
[ ] ( )( ) ( )( )
x y x y
x y
x y x y x y x y
cov X Y
d) X Y cov X Y X Y y
X Y cov X Y
1 2 8
X Y 1 2 1 2 2
3 3 3
,
E ? , E
E ,
E
= = ÷µ µ p =
o o
= +µ µ = o o p +µ µ
| |
= + = + =
|
\ .

[ ] [ ] [ ] [ ]
( ) ( ) ( )( )
e) 5X 2Y 1 25 X 4 Y 20 COV X Y
1
25 1 4 4 20 1 2
3
40 83
25 16
3 3
V V V , ÷ + = + ÷
| |
= + ÷
|
\ .
= + ÷ =
Combinaciones de variables aleatorias: Esperanza y varianza
Sean
1 p
X , , X … variables aleatorias (discretas o continuas) y sean
1 2 p
c c c , , ... , e
.
Sea
p
i i
i 1
c X Y
=
=
¯
Y es una combinación lineal de las variables aleatorias
1 p
X , , X … .
[ ]
[ ]
p
i i
i 1
p
2
i i i j i j
i 1 i j
Y c X
Y c X 2 c c cov X X
I) E E
V V ,
=
= <
=

= +

¯
¯ ¯¯

[ ] [ ] [ ] [ ]
2 2
aX bY c a X b Y 2 a b cov X Y V V V , ÷ + = + +
II) Si
1 p
X , , X … son variables aleatorias estadísticamente independientes entonces
[ ]
p p
2
i i i i
i 1 i 1
Y c X c X V V V
= =

=



¯ ¯
,
i i
1
c X
p
, E U = =

. Además, si;

III) Si cada
( )
2
i i i
n i 1 2 p X , , , , ..., µ o = entonces si
1 p
X , , X … son E.i entonces
p p
2 2
i i i i
i 1 i 1
n c c Y ,
= =
| |
µ o
|
\ .
¯ ¯
en
particular si,
( )
2
2 2
i i i
1
c y x n
p
p
, ,
o
= µ = µ o = o ¬ µ
“Combinación lineal de normales independientes es Normal” o Propiedad Reproductiva de la
Normal.
Ejercicios Propuestos
1. Muestre que si X e Y tienen una distribución normal bivariada con
2 2
x y x y
9 9 y : , , , , µ µ entonces
( )
2
x x
n X , µ o .
2. Si en una normal bivariada
2 2
x y x y x y
1
2 3 9 4 9 1
3
, , , , µ = µ = = = p = . Calcule
[ ]
X Y X 2Y 3 E + + ÷ .
3. Suponga que X e Y son variables aleatorias discretas con distribución conjunta dada por:

Calcule [ ] 2X 3Y 1 V ÷ +
4. Sean X e Y variables aleatorias discretas con f.d.p conjunta por:
( )
x y
k 0 x 2 0 y 1
f x y
0 otro caso
, ,
,
,
< < < < ¦
=
´
¹
Calcule
[ ]
X 3Y 2 V ÷ + .
- Suponga que la correlación entre X y Y es p. Para las constantes a, b, c y d . ¿Cuál es la
correlación entre las variables aleatorias U aX b = + = + = + = + y V cY d = + = + = + = + ?
- Sean X y Y la concentración y la viscosidad de un producto químico. Suponga que X y
Y tienen una distribución normal bivariada con 4
X
o = == = , 1
Y
o = == = , 2
X
µ = == = , 1
Y
µ = == = y 0 8 . p = == = .
Dibuje una gráfica de contornos de la función de densidad de probabilidad conjunta.

- Sean X y Y dos dimensiones de una pieza moldeada por inyección. Suponga que X y Y
tienen una distribución normal bivariada con 0 04
X
. o = == = , 0 08
Y
. o = == = , 3 00
X
. µ = == = , 7 70
Y
. µ = == = y
0 p = == = . Determine ( (( ( ) )) ) 2 95 3 05 7 60 7 80 P . X . , . Y . < < < < < < < < < < < < < < < <
x -10 0 0 1
y
0 -1 1 0
( )
x y
f x y ,
1/4 1/4 ¼ 1/4
[ ] [ ]
2
2
i
X i i 1 2 p Y x y así x U y x
p
V ; , , , ..., E V
o
= o ¬ = ¬ = = =

- Si X y Y son variables aleatorias normales independientes con ( (( ( ) )) ) 0 E X = == = , ( (( ( ) )) ) 4 V X = == = ,
( (( ( ) )) ) 10 E Y = == = y ( (( ( ) )) ) 9 V X = == = . Calcule lo siguiente:
a. ( (( ( ) )) ) 2 3 E X Y + ++ +
b. ( (( ( ) )) ) 2 3 V X Y + ++ +
c. ( (( ( ) )) ) 2 3 30 P X Y + < + < + < + <
d. ( (( ( ) )) ) 2 3 40 P X Y + < + < + < + <
- El ancho del marco de una puerta tiene una distribución normal con media 24 pulgadas y
desviación estándar de
1
8
de pulgada. El ancho de la puerta tiene una distribución normal
con media 23 y
7
8
pulgadas y desviación estándar de
1
16
pulgadas. Suponga
independencia.
a. Determine la media y la desviación estándar de la diferencia entre le ancho del marco y
el de la puerta.
b. ¿Cuál es la probabilidad de que la diferencia entre el ancho del marco y el de la puerta
sea mayor que
1
4
de pulgada?
c. ¿Cuál es la probabilidad de que la puerta no quepa en el marco?

- Un componente en forma de U está formado por tres piezas, A, B y C. La longitud de A
tienen una distribución normal con media de 10 milímetros y desviación estándar de 0.1
milímetros. El espesor de las piezas B y C está distribuido normalmente con media de 2
milímetros y desviación estándar de 0.05 milímetros. Suponga que todas las dimensiones son
independientes.
a. Determine la media y la desviación estándar de la longitud del hueco D.
b. ¿Cuál es la probabilidad de que el hueco D sea menor que 5.9 milímetros?

El tiempo de vida de seis componentes importantes de una copiadora son variables aleatorias
exponenciales independientes con medias de 8000, 10000, 10000, 20000 y 25000 horas
respectivamente.
a. ¿Cuál es la probabilidad de que la duración de todos los componentes sea mayor que
5000 horas?
b. ¿Cuál es la Covarianza entre los componentes cuya duración media es de 5000 horas y
los de 25000 horas?

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->