VariablesAleatorias DistribucionesProbabilidad

Variables Aleatorias y
Distribuciones de Probabilidad
UCR ECCI
CI-1352 Probabilidad y Estadstica
Prof. M.Sc. Kryscia Daviana Ramrez Benavides
UCR-ECCI CI-1352 Probabilidad y Estadstica
Variables Aleatorias y Distribuciones de Probabilidad 2
Variable Aleatoria
Una variable aleatoria es una funcin que asocia un nmero
real con cada elemento del espacio muestral.
Se utiliza una letra mayscula, por ejemplo X, para denotar
una variable aleatoria, y su correspondiente minscula, x en
este caso, para denotar a cada uno de sus valores.
Cada valor de X representa un evento que es un subconjunto del
espacio muestral para el experimento dado.
Variable Aleatoria (cont.)
Ejemplo: Se sacan dos bolas de manera sucesiva sin
reemplazo de una urna que contiene cuatro bolas rojas y tres
negras. Los posibles resultados y los valores x de la variable
aleatoria X, donde X es el nmero de bolas rojas, son:
Espacio Muestral x
RR 2
RN 1
NR 1
NN 0
Si un espacio muestral contiene un nmero finito de
posibilidades, o una serie interminable con tantos elementos
como nmeros enteros existen, se llama espacio muestral
discreto.
Una variable aleatoria se llama variable aleatoria discreta si se
puede contar su conjunto de resultados posibles.
Si un espacio muestral contiene un nmero infinito de
posibilidades igual al nmero de puntos en un segmento de
lnea, se llama espacio muestral continuo.
Una variable aleatoria se llama variable aleatoria continua si puede
tomar valores en una escala continua.
En la mayor parte de los problemas prcticos, las variables
aleatorias continuas representan datos medidos, como
todos los posibles pesos, alturas, temperaturas, distancias o
periodos de vida.
Mientras que las variables aleatorias discretas representan
datos contados, como el nmero de artculos defectuosos en
una muestra de k artculos o el nmero de accidentes de
carretera por ao en un pas.
Distribuciones Discretas de Probabilidad
El conjunto de pares ordenados (x, f(x)) es una distribucin
de probabilidad o funcin de masa de probabilidad de la
variable aleatoria discreta X si, para cada resultado posible x,
( )
( )
( ) ( ) x f x X P
x f
x f
x
= =
=
. 3
1 . 2
0 . 1
Distribuciones Discretas de Probabilidad (cont.)
Ejemplo #1: Hay tres computadoras defectuosas de un
conjunto de ocho similares en una tienda. Si una escuela hace
una compra al azar de dos de estas computadoras, cul es la
distribucin de probabilidad para el nmero de defectuosas?
Sea X una variable aleatoria cuyos valores de x son la cantidad
posible de computadoras defectuosas que compra la escuela.
Entonces x puede ser cualquiera de los nmeros 0, 1 y 2.
( ) ( ) ( ) ( ) ( ) ( )
( )
28
3
28
15
28
10
2 1 0
28
3
2
8
0
5
2
3
2 2
28
15
2
8
1
5
1
3
1 1
28
10
2
8
2
5
0
3
0 0
x f
x
X P f X P f X P f =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = =
Ejemplo #2: Si una agencia de autos vende 50% de su
inventario de cierto vehculo extranjero equipado con bolsas
de aire, encontrar una frmula para la distribucin de
probabilidad del nmero de autos con bolsas de aire entre los
siguientes cuatro vehculos que venda la agencia.
Sea X una variable aleatoria cuyos valores de x son la cantidad
posible de los cuatro autos vendidos que tienen bolsa de aire.
Entonces x puede ser cualquiera de los nmeros 0, 1, 2, 3 y 4.
( ) ( )
( )
16
1
16
4
16
6
16
4
16
1
4 3 2 1 0
4 , 3 , 2 , 1 , 0 para
16
4
2
4
4
x f
x
x
x x
x X P x f =
|
|
.
|
\
|
=
|
|
.
|
\
|
= = =
Hay muchos problemas en donde se desea calcular la
probabilidad de que el valor observado de una variable
aleatoria X sea menor o igual que algn nmero real x.
La distribucin acumulada ofuncin de distribucin F(x)
de una variable aleatoria discreta X con distribucin de
probabilidad f(x) es
Como consecuencia
( ) ( ) ( ) + < < = =

x t f x X P x F
x t
( ) ( ) ( ) 1 = x F x F x f
Ejemplo: Para el ejemplo #2 anterior, se calcula las
distribuciones acumuladas.
( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
<
<
<
<
<
=
= = + + + + =
= + + + =
= + + =
= + =
= =
4 1
4 3 16 15
3 2 16 11
2 1 16 5
1 0 16 1
0 0
1
16
16
4 3 2 1 0 4
16
15
3 2 1 0 3
16
11
2 1 0 2
16
5
1 0 1
16
1
0 0
16
1
16
4
16
6
16
4
16
1
4 3 2 1 0
x
x
x
x
x
x
x F
f f f f f F
f f f f F
f f f F
f f F
f F
x f
x
Es til ver de forma grfica una
distribucin de probabilidad.
Los puntos (x, f(x)) se pueden
graficar mediante un grfico de
barras. El grfico permite
observar de forma fcil qu
valores de X tienen ms
probabilidad de ocurrencia.
0 1 2 3 4
x
1/16
2/16
0
4/16
5/16
3/16
7/16
8/16
6/16
9/16
10/16
11/16
12/16
14/16
15/16
13/16
1
f(x)
graficar mediante un grfico
llamado histograma de
probabilidad.
Este se utiliza para las
distribuciones de probabilidad de
v.a. continuas, ya que el ancho de
los rectngulos representan
intervalos y esto reas.
0 1 2 3 4
x
1/16
2/16
0
4/16
5/16
3/16
7/16
8/16
6/16
9/16
10/16
11/16
12/16
14/16
15/16
13/16
1
f(x)
Tambin es til ver de
forma grfica una
distribucin acumulada.
Los puntos (x, F(x)) se
pueden graficar mediante
un diagrama de
frecuencias acumuladas.
0 1 2 3 4
x
1/16
2/16
0
4/16
5/16
3/16
7/16
8/16
6/16
9/16
10/16
11/16
12/16
14/16
15/16
13/16
1
F(x)
Distribuciones Continuas de Probabilidad
Una variable aleatoria continua tiene una probabilidad cero de
tomar exactamente cualquiera de sus valores. Por lo cual, su
distribucin de probabilidad no se puede dar en forma tabular,
pero se puede establecer como una frmula.
En este tipo de variables se trata con un intervalo en lugar de
un valor puntual de nuestra variable aleatoria.
Se trata el clculo de probabilidades para varios intervalos de
variables aleatorias continuas como P(a <X <b), P(X >a),
etc.
Distribuciones Continuas de Probabilidad (cont.)
Cuando X es continua, se puede notar que
No importa si incluimos o no un extremo del intervalo. Esto no es
cierto cuando X es discreta.
La frmula que se utiliza para una variable aleatoria continua,
ser funcin de los valores numricos de la variable X y, como
tal, se representar mediante la notacin f(x) y se le llama
funcin de densidad de probabilidad, o simplemente funcin
de densidad de X.
Se utilizan reas para representar probabilidades y son valores
numricos positivos, la funcin de densidad debe estar
completamente por arriba del eje x.
( ) ( ) ( ) ( ) b X a P b X P b X a P b X a P < < = = + < < = <
( ) b X a P < <
a b
x
f(x)
La funcin f(x) es una funcin de densidad de probabilidad
(fdp) para la variable aleatoria continua X, definida en el
conjunto de nmeros reales R, si
( )
( )
( ) ( )
= < <
=

+

b
a
dx x f b X a P
dx x f
R x x f
. 3
1 . 2
0 . 1
Ejemplo: El error en la temperatura de reaccin, en C, para
un experimento de laboratorio controlado es una variable
aleatoria continua X que tiene fdp
Verificar la condicin 2 de la definicin y encontrar
P(0 <X 1).
( )
< <
=
caso otro 0
2 1
3
2
x
x
x f
Ejemplo: Experimento de laboratorio controlado es una
variable aleatoria continua X. Verificar la condicin 2 de la
definicin y encontrar P(0 <X 1).
( )
( )
9
1
9
0
9
1
9 3
1 0
1
9
9
9
1
9
8
9 3
1
0
3
1
0
2
2
1
3
2
1
2
= = = = <
= = + = = =
+

x
dx
x
X P
x
dx
x
dx x f
La distribucin acumulada de probabilidad F(x) de una
variable aleatoria continua X con fdp f(x) es
Como consecuencia
si existe la derivada
( ) ( ) ( ) + < < = =

x dt t f x X P x F
x
( ) ( ) ( )
( )
( )
dx
x dF
x f
a F b F b X a P
=
= < <
Ejemplo: Para la fdp del ejemplo anterior, encontrar F(x), y
utilizarla para evaluar P(0 <X 1).
( ) ( )
( )
( ) ( ) ( )
9
1
9
1
9
2
0 1 1 0
2 1
2 1
9
1
1 0
9
1
9 3
3
3
1
3
1
2
= = = <
< <
+

=
+
= = = =

F F X P
x
x
x
x
x F
x t
dt
t
dt t f x F
x
x x
graficar mediante un grfico
llamado histograma de
probabilidad.
El ancho de los rectngulos
representan intervalos y esto
reas.
0 1 2
x
f(x)
-1
1/3
2/3
5/3
6/3
4/3
8/3
9/3
7/3
10/3
11/3
12/3
Tambin es til ver de
forma grfica una
distribucin acumulada.
Los puntos (x, F(x)) se
pueden graficar mediante
un diagrama de
frecuencias acumuladas.
0 1 2
x
1/9
2/9
4/9
3/9
1
F(x)
-1
5/9
6/9
8/9
7/9
Distribuciones de Probabilidad
Otro clculos de probabilidad:
En el caso continuo no importa si incluimos o no un extremo del
intervalo.
En el caso discreto s importa si incluimos o no un extremo del
intervalo.
( ) ( )
( ) ( ) x X P x X P
x X P x X P
= >
< =
1
1
Distribuciones de Probabilidad Conjunta
Hasta el momento se ha visto el estudio de variables aleatorias
y sus distribuciones de probabilidad que se restringe a
espacios muestrales unidimensionales, en los que se registra
los resultados de un experimento como valores que toma una
sola variable aleatoria.
Habr situaciones, sin embargo, donde se puede encontrar que
es deseable registrar los resultados simultneos de diversas
variables aleatorias.
Distribuciones de Probabilidad Conjunta (cont.)
La funcin f(x,y) es una distribucin de probabilidad
conjunta o funcin de masa de probabilidad de las
variables aleatorias discretas X y Y si
Para cualquier regin A en el plano xy, P[(X,Y) f(x,y)].
( ) ( )
( )
( ) ( ) y x f y Y x X P
y x f
y x y x f
x y
, , . 3
1 , . 2
, 0 , . 1
= = =
=


Ejemplo: Se seleccionan al azar dos repuestos para un
bolgrafo de una caja que contiene tres repuestos azules, dos
rojos y tres verdes. Si X es el nmero de repuestos azules y Y
es el nmero de repuestos rojos que se seleccionan, encontrar
la funcin de probabilidad conjunta f(x,y) y P[(X,Y) A],
donde A es la regin {(x,y) | x +y 1}.
El nmero total de formas posibles de seleccionar dos repuestos de
ocho es C(8,2) =28.
Los posibles pares de valores (x,y) son: (0,0), (0,1), (1,0), (1,1), (0,2)
y (2,0).
El valor (0,0) corresponde a seleccionar al azar 0 azules, 0 rojos y 2
verdes; o sea, C(3,0)C(2,0)C(3,2) =3.
Entonces, f(0,0) representa la probabilidad de seleccionar cero azules y rojos,
y dos verdes; o sea, f(0,0) =3/28.
f(x,y)
x
Totales por
Fila
0 1 2
y
0 3/28 9/28 3/28 15/28
1 6/28 6/28 - 12/28
2 1/28 - - 1/28
Totales por
Columna
10/28 15/28 3/28 1
La probabilidad conjunta, entonces, se puede representar mediante la
frmula:
( )
2 0
2 , 1 , 0
2 , 1 , 0
2
8
2
3 2 3
,
+
=
=
|
|
.
|
\
|
|
|
.
|
\
|

|
|
.
|
\
|
|
|
.
|
\
|
=
y x
y
x
y x y x
y x f
El clculo de P[(X,Y) A] se realiza de la siguiente manera:
( ) | |
( ) ( ) ( )
( ) | |
14
9
28
18
,
28
9
28
6
28
3
1 , 0 0 , 1 0 , 0
) 1 ( ,
= =
+ + =
+ + =
+ =
A Y X P
f f f
Y X P A Y X P
La funcin f(x,y) es una funcin de densidad de
probabilidad conjunta de las variables aleatorias continuas X
yY si
para cualquier regin A en el plano xy.
( ) ( )
( )
( ) | | ( ) dy dx y x f A Y X P
dy dx y x f
y x y x f
A

=
=

+

+

, , . 3
1 , . 2
, 0 , . 1
Ejemplo: Una fbrica de dulces distribuye cajas de chocolates
con un surtido de cremas, chiclosos y nueces, cubiertas de con
chocolate claro y oscuro. Para una caja seleccionada al azar,
sean X y Y, respectivamente, las proporciones de chocolates
claro y oscuro que son cremas, y suponga que la funcin de
densidad conjunta es
Verificar la condicin 2 de la definicin y encontrar P[(X,Y)
A], donde A est la regin {(x,y) | 0 <x <, <y <}.
( )
( )
+
=
caso otro 0
1 0 , 1 0 3 2
5
2
,
y x y x
y x f
( ) ( )
( ) 1
5
3
5
2
,
5
3
5
2
5
6
5
2
5
6
5
2
3 2
5
2
,
1
0
2
1
0
1
0
1
0
2
1
0
1
0
= + =
+ =
|
.
|
\
|
+ =
+ =
+ =

+

+

=
=
=
=
+

+

dy dx y x f
y y
dy
y
dy
xy x
dy dx y x dy dx y x f
y
y
x
x
( ) | |
( )
( ) | |
160
13
16
3
4
1
4
3
2
1
10
1
,
10
3
10
5
3
10
1
5
6
5
2
3 2
5
2
2
1
4
1
,
2
1
0 ,
2 1
4 1
2
2 1
4 1
2 1
4 1
2 1
0
2
2 1
4 1
2 1
0
=
(
|
.
|
\
|
+
|
.
|
\
|
+ =
+ =
|
.
|
\
|
+ =
+ =
+ =
|
.
|
\
|
< < < < =
=
=
=
=

A Y X P
y y
dy
y
dy
xy x
dy dx y x
Y X P A Y X P
y
y
x
x
Las distribuciones marginales de X sola y Y sola son:
Para el caso discreto, g(x) y h(y) son las distribuciones de
probabilidad de las variables aleatorias X y Y.
Para el caso continuo, g(x) y h(y) son las funciones de densidad de las
variables aleatorias X y Y
( ) ( ) ( ) ( ) ( ) ( )

= = = =
x
y
y
x
y x f y h y f y x f x g x f , ,
( ) ( ) ( ) ( ) ( ) ( )

+

+

= = = = dx y x f y h y f dy y x f x g x f
y x
, ,
Ejemplo #1: Obtener las distribuciones marginales de X sola
y Y sola del ejemplo de la distribucin conjunta de las
variables discretas.
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
28
3
0 0
28
3
2 2 2
2 , 2 1 , 2 0 , 2 , 2 2 2 2
28
15
0
28
6
28
9
1 1 1
2 , 1 1 , 1 0 , 1 , 1 1 1 1
14
5
28
10
28
1
28
6
28
3
0 0 0
2 , 0 1 , 0 0 , 0 , 0 0 0 0
2
0
2
0
2
0
= + + = = = =
+ + = = = = =
= + + = = = =
+ + = = = = =
= = + + = = = =
+ + = = = = =
=
=
=
g f X P
f f f y f g f X P
g f X P
f f f y f g f X P
g f X P
f f f y f g f X P
x
y
x
x
y
x
x
y
x
variables discretas.
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
28
1
0 0
28
1
2 2 2
2 , 2 2 , 1 2 , 0 2 , 2 2 2
7
3
28
12
0
28
6
28
6
1 1 1
1 , 2 1 , 1 1 , 0 1 , 1 1 1
28
15
28
3
28
9
28
3
0 0 0
0 , 2 0 , 1 0 , 0 0 , 0 0 0
2
0
2
0
2
0
= + + = = = =
+ + = = = = =
= = + + = = = =
+ + = = = = =
= + + = = = =
+ + = = = = =
=
=
=
h f Y P
f f f x f h f Y P
h f Y P
f f f x f h f Y P
h f Y P
f f f x f h f Y P
y
x
y
y
x
y
y
x
y
f(x,y)
x
Totales por
Fila
0 1 2
y
0 3/28 9/28 3/28 15/28
1 6/28 6/28 - 12/28
2 1/28 - - 1/28
Totales por
Columna
10/28 15/28 3/28 1
Se puede observar que los
resultados de las distribuciones
marginales corresponden a los
totales de las columnas y filas
respectivos de los valores f(x,y).
Y la suma individual de los
valores de g(x) y h(x) dan 1,
cumpliendo la definicin de
distribucin de probabilidad.
x 0 1 2
g(x) 5/14 15/28 3/28
y 0 1 2
h(y) 15/28 3/7 1/28
variables continuas.
( ) ( ) ( )
( )
( ) ( )
5
3 4
10
6
5
4
3 2
5
2
,
1
0
2
1
0
+
= =
+ =
+ =
= =
=
=
+

x
x g x f
y xy
dy y x
dy y x f x g x f
x
y
y
x
( ) ( ) ( )
( )
( ) ( )
5
6 2
5
6
5
2
3 2
5
2
,
1
0
2
1
0
y
y h y f
xy x
dx y x
dx y x f y h y f
y
x
x
y
+
= =
+ =
+ =
= =
=
=
+

variables continuas.
( )
( )

+
=

+
=
caso otro 0
1 0
5
6 2
caso otro 0
1 0
5
3 4
y
y
y h
x
x
x g
Se puede observar que las distribuciones marginales g(x) y
h(x) son distribuciones de probabilidades de las variables
individuales X y Y, cumpliendo la definicin de distribucin
de probabilidad (fdp).
( ) ( )
( ) ( )
( ) ( ) ( )dx x g dydx y x f b X a P
Y b X a P b X a P
dydx y x f dx x g
b
a
b
a

= = < <
+ < < < < = < <
= =
+

+

+

+

,
,
1 ,
Se puede observar que las distribuciones marginales g(x) y
h(x) son distribuciones de probabilidades de las variables
individuales X y Y, cumpliendo la definicin de distribucin
de probabilidad (fdp).
( ) ( )
( ) ( )
( ) ( ) ( )dy y h dxdy y x f b Y a P
b Y a X P b Y a P
dxdy y x f dy y h
b
a
b
a

= = < <
< < + < < = < <
= =
+

+

+

+

,
,
1 ,
Sean X y Y dos variables aleatorias, discretas o continuas.
La distribucin de probabilidad condicional de la variable
aleatoria Y, dado que X =x, es:
La distribucin de probabilidad condicional de la variable
aleatoria X, dado que Y =y, es:
( )
( )
( )
( ) 0 ,
,
> = x g
x g
y x f
x y f
( )
( )
( )
( ) 0 ,
,
> = y h
y h
y x f
y x f
Si se desea encontrar la probabilidad de que la variable
aleatoria discreta X caiga entre a y b cuando se sabe que la
variable aleatoria discreta Y =y, se evala:
aleatoria discreta Y caiga entre a y b cuando se sabe que la
variable aleatoria discreta X =x, se evala:
( ) ( )
= = < <
x
y x f y Y b X a P
( ) ( )
= = < <
y
x y f x X b Y a P
aleatoria continua X caiga entre a y b cuando se sabe que la
variable aleatoria continua Y =y, se evala:
aleatoria continua Y caiga entre a y b cuando se sabe que la
variable aleatoria continua X =x, se evala:
( ) ( )dx y x f y Y b X a P
b
a
= = < <
( ) ( )dy x y f x X b Y a P
b
a
= = < <
Ejemplo #1: Obtener la distribucin condicional de X, dado
que Y =1, y utilizarla para determinar P(X =0 | Y =1), del
ejemplo de la distribucin conjunta de las variables discretas.
Se debe encontrar f(x|y), donde y =1, por lo tanto se debe encontrar
primero h(1):
( ) ( )
7
3
28
12
0
28
6
28
6
1 , 1
2
0
= = + + = =
= x
x f h
( )
( )
( )
( )
( ) 2 , 1 , 0 1 ,
3
7
7 3
1 ,
1
1 ,
1 = = = = x x f
x f
h
x f
x f
f(x,y)
x
Totales por
Fila
0 1 2
y
0 3/28 9/28 3/28 15/28
1 6/28 6/28 - 12/28
2 1/28 - - 1/28
Totales por
Columna
10/28 15/28 3/28 1
y 0 1 2
h(y) 15/28 3/7 1/28
x 0 1 2
g(x) 5/14 15/28 3/28
( )
( )
( )
( )
( )
( ) ( )
( ) ( )
( ) ( ) 0 0
3
7
1 , 2
3
7
1 2
2
1
84
42
28
6
3
7
1 , 1
3
7
1 1
2
1
84
42
28
6
3
7
1 , 0
3
7
1 0
2 , 1 , 0 1 ,
3
7
7 3
1 ,
1
1 ,
1
= = =
= = = =
= = = =
= = = =
f f
f f
f f
x x f
x f
h
x f
x f
Ejemplo #1: La distribucin condicional de X, dado que Y =1
es:
x 0 1 2
f(x|1) 1/2 1/2 0
Ejemplo #1: La P(X =0 | Y =1), utilizando la distribucin
condicional de X, dado que Y =1, es:
Por lo tanto, si sabe que uno de los repuestos seleccionados es rojo,
se tiene una probabilidad de de que el otro repuesto no sea azul.
( ) ( )
2
1
1 0 1 0 = = = = f Y X P
Ejemplo #2: La densidad conjunta para las variables
aleatorias (X,Y), donde X es el cambio de temperatura unitario
y Y es la proporcin de desplazamiento espectral que produce
cierta partcula atmica es:
Encontrar las densidades marginales g(x) y h(y), y la densidad
condicional f(y|x).
Encontrar la probabilidad de que el espectro se desplace ms de la
mitad de las observaciones totales, dado que la temperatura aumenta
a 0.25 de unidad.
( )
< < <

=
caso otro 0
1 0 10
,
2
y x xy
y x f
Ejemplo #2: Las densidades marginales g(x) y h(y), y la
densidad condicional f(y|x) son:
( ) ( ) ( )
( ) ( ) 1 0 , 5 5 10 ,
1 0 , 1
3
10
3
10
10 ,
4
0
2 2
0
2
3
1
3
1
2
< < = = = =
< < = = = =
=
=
+

=
=
+

y y y x dx xy dx y x f y h
x x x xy dy xy dy y x f x g
y x
x
y
y
x y
x
( )
( )
( )
( )
( )
1 0
1
3
1
3
10
10 ,
3
2
3
2
< < <
= = y x
x
y
x x
xy
x g
y x f
x y f
Ejemplo #2: La probabilidad de que el espectro se desplace
ms de la mitad de las observaciones totales, dado que la
temperatura aumenta a 0.25 de unidad es:
( )
( )
( )
9
8
63
56
25 . 0
2
1
63
8
63
64
64 63
25 . 0 1
3
25 . 0 25 . 0
2
1
1
2 1
3
1
2 1
3
2
1
2 1
= =
|
|
.
|
\
|
= >
= =
= = =
|
|
.
|
\
|
= >

X Y P
y
dy
y
dy x y f X Y P
Sean X y Y dos variables aleatorias, discretas o continuas, con
distribucin de probabilidad conjunta f(x,y) y distribuciones
marginales g(x) y h(y), respectivamente. Se dice que las
variables aleatorias X y Y son estadsticamente
independientes si y slo si
para toda (x,y) dentro de sus rangos.
( ) ( ) ( ) y h x g y x f = ,
Prueba: Si f(x|y) no depende de y, entonces f(x|y) =g(x) y
f(x,y) =g(x)h(y). Demostracin:
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( ) ( ) ( ) ( ) ( ) y h x g y x f y x f x g
y h
y h y x f x g
y h y x f y x f x g
y h y x f y x f
y
y
y y
= =
=
=
= =
=

,
1
,
,
Prueba: Si f(x|y) no depende de y, entonces f(x|y) =g(x) y
f(x,y) =g(x)h(y). Demostracin:
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( ) ( ) ( ) ( ) ( ) y h x g y x f y x f x g
dy y h
dy y h y x f x g
dy y h y x f dy y x f x g
y h y x f y x f
= =
=
=
= =
=

+

+

+

+

,
1
,
,
Ejemplo #1: Mostrar que las variables aleatorias del ejemplo
de la distribucin conjunta de las variables discretas no son
estadsticamente independientes.
Se considera el punto (0,1). De los clculos y la tabla anteriores se
encuentra que las tres probabilidades f(0,1), g(0) y h(1) son
( )
( ) ( )
( ) ( )
( ) ( ) ( ) 1 0 1 , 0
7
3
28
12
0
28
6
28
6
1 , 1
14
5
28
10
28
1
28
6
28
3
, 0 0
14
3
28
6
1 , 0
2
0
2
0
h g f
x f h
y f g
f
x
y
= = + + = =
= = + + = =
= =
=
=
Ejemplo #2: La densidad conjunta para las variables
aleatorias (X,Y) es:
Encontrar las densidades marginales g(x) y h(y), y la densidad
condicional f(x|y).
Demostrar que son estadsticamente independientes.
( )
( )
< < < <

+
=
caso otro 0
1 0 , 2 0
4
3 1
,
2
y x
y x
y x f
Ejemplo #2: Las densidades marginales g(x) y h(y), y la
densidad condicional f(x|y) son:
( ) ( )
( )
( ) ( )
( )
1 0 ,
2
3 1
8
3
8 4
3 1
,
2 0 ,
2 4 4 4
3 1
,
2
2
0
2 2 2
2
0
2
1
0
3
1
0
2
< <
+
= + =
+
= =
< < = + =
+
= =
=
=
+

=
=
+

y
y y x x
dx
y x
dx y x f y h
x
x xy xy
dy
y x
dy y x f x g
x
x
y
y
( )
( )
( )
( )
( )
2 0
2
2
3 1
4
3 1
,
2
2
< < =
+
+
= = x
x
y
y x
y h
y x f
y x f
Ejemplo #2: Las variables aleatorias X y Y son
estadsticamente independientes:
( ) ( ) ( )
( )
( ) ( )
4
3 1
4
3 1
2
3 1
2 4
3 1
,
2 2
2 2
y x y x
y x y x
y h x g y x f
+
=
+

+
=
+
=
Todas las definiciones anteriores respecto a dos variables
aleatorias se pueden generalizar al caso de n variables
aleatorias.
Sea f(x
1
,x
2
,,x
n
) la funcin de probabilidad conjunta de las
variables aleatorias x
1
, x
2
, , x
n
. La distribucin marginal de
X
1
, por ejemplo, es
( ) ( )
( ) ( ) continuo caso , ... ,..., , ...
discreto caso , ,..., , ...
3 2 2 1 1
2 1 1
2

+

+

=
=
n n
x x
n
dx dx dx x x x f x g
x x x f x g
n
Y se puede obtener distribuciones marginales conjuntas
como (x
1
,x
2
), donde
( )
( )
( )
=

+

+

continuo caso ... ,..., , ...
discreto caso ,..., , ...
,
4 3 2 1
2 1
2 1
3
n n
x x
n
dx dx dx x x x f
x x x f
x x
n

Se pueden considerar numerosas distribuciones condicionales.
Por ejemplo, la distribucin condicional conjunta de X
1
, X
2
y
X
3
, dado que X
4
=x
4
, X
5
=x
5
, , X
n
=x
n
, se escribe como
Donde g(x
4
,x
5
,,x
n
) esla distribucinmarginal conjuntade
lasvariables aleatoriasX
4
, X
5
,, X
n
.
( )
( )
( )
n
n
n
x x x g
x x x f
x x x x x x f
,..., ,
,..., ,
,..., , , ,
5 4
2 1
5 4 3 2 1
=
Sean X
1
, X
2
,, X
n
n variables aleatorias, discretas o continuas,
con distribucin de probabilidad conjunta f (x
1
,x
2
,,x
n
) y
distribuciones marginales f
1
(x
1
), f
2
(x
2
),, f
n
(x
n
),
respectivamente. Se dice que las variables aleatorias X
1
, X
2
,,
X
n
son estadsticamente independientes mutuamente si y
slo si
para toda (x
1
,x
2
,,x
n
) dentro de sus rangos.
( ) ( ) ( ) ( )
n n n
x f x f x f x x x f ... ,..., ,
2 2 1 1 2 1
=
Ejemplo: El tiempo de vida, en aos, de cierto producto
alimenticio perecedero empacado en cajas de cartn es una
variable aleatoria cuya funcin de densidad de probabilidad
est dada por
Sean X
1
, X
2
y X
3
los tiempos de vida para tres de estas cajas
que se seleccionaron de forma independiente.
Encontrar P(X
1
<2, 1 <X
2
<3, X
3
>2).
( )
>
=

caso otro 0
0 x e
x f
x
Solucin: Como las cajas se seleccionan de forma
independiente, se puede suponer que las variables aleatorias
X
1
, X
2
y X
3
son estadsticamente independientes y que tienen
la densidad de probabilidad conjunta
( ) ( ) ( ) ( )
( )
> > >

=
= =

caso otro 0
0 , 0 , 0
, ,
, ,
3 2 1
3 2 1
3 2 1 3 2 1
3 2 1
3 2 1
x x x e
x x x f
e e e x f x f x f x x x f
x x x
x x x
( )
( )( )
( ) 0376 . 0 2 , 3 1 , 2
1
2 , 3 1 , 2
3 2 1
2 3 1 2
3 2 1
2
3
1
2
0
3 2 1
3 2 1
= > < < <
=
= > < < <

+

X X X P
e e e e
dx dx dx e X X X P
x x x
Referencias Bibliogrficas
Walpole, R.E.; Myers, R.H.; Myers, S.L. & Ye, K.
Probabilidadyestadsticaparaingenieray ciencias. Octava
Edicin. PearsonPrentice-Hall. Mxico, 2007.

VariablesAleatorias DistribucionesProbabilidad

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

VariablesAleatorias DistribucionesProbabilidad

Cargado por

Copyright:

Formatos disponibles

Variables Aleatorias y

UCR-ECCI CI-1352 Probabilidad y Estadstica

< < <

< < < <

UCR-ECCI CI-1352 Probabilidad y Estadstica

> > >

También podría gustarte