Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables aleatorias
Estad stica
Grado en Ingenier a de Obras P ublicas
Denici on de variable aleatoria. Ejemplos Sucesos denibles en t erminos de una variable aleatoria Rango de una variable aleatoria Funci on de distribuci on acumulada de una v. a. Propiedades de la funci on de distribuci on acumulada Obtenci on de probabilidades a partir de la f. d. a.
2 Variables aleatorias discretas. Funci on de probabilidad
Febrero-marzo 2013
Variables aleatorias continuas Probabilidades a partir de la f. d. a.: Caso continuo Funci on de densidad Probabilidades a partir de la funci on de densidad Propiedades de la funci on de densidad Ejemplo
1 / 90
2 / 90
Planteamiento del problema M etodo 1: Usando denici on de f. d. a. M etodo 2: F ormula de cambio de variable
5 Variables aleatorias conjuntas discretas
Variables aleatorias conjuntas: denici on Funci on de probabilidad conjunta Funci on de distribuci on acumulada conjunta Variables marginales Variables independientes Variables condicionadas
6 Variables aleatorias conjuntas continuas
ocurra antes). Espacio muestral y probabilidades: cc c+c c++ ++ +c+ +cc 1/4 1/8 1/8 1/4 1/8 1/8 Dos personas (Alberto y Bel en) llegan a una ocina municipal, independientemente y al azar entre las 12 y la 1. B Espacio muestral: el cuadrado [0, 1] [0, 1]. Probabilidad: rea de S. P [ S] = a 1
Funci on de distribuci on acumulada conjunta Funci on de densidad conjunta Variables marginales Variables independientes Variables condicionadas
3 / 90
1 A
4 / 90
Denici on de variable aleatoria: Denici on informal: Una variable aleatoria es un resultado num erico de un experimento aleatorio. Ejemplos (tema anterior): En el caso del juego de la moneda, podemos denir N =n umero total de caras obtenidas. En el ejemplo continuo: denimos H =hora de llegada del que llega primero.
Recordemos el espacio muestral del juego de la moneda. E cc c+c +cc c++ +c+ ++ A cada uno de los elementos de E podemos asociarle un valor de N =n umero total de caras obtenidas. N E cc R c+c +cc c++ 2 +c+ ++ 1 0 Entonces N es una aplicaci on de E en R.
5 / 90 6 / 90
An alogamente en el caso de H =hora de llegada del que llega primero, E H Por eso se dice que R 1 0 1/4 3/4
si E es el espacio muestral asociado a un experimento aleatorio,
on X : E R. una variable aleatoria sobre E es una aplicaci Esta es la denici on formal de variable aleatoria.
7 / 90
8 / 90
Al jarnos en la variable aleatoria en vez de en el espacio muestral es frecuente que perdamos informaci on:
si nos dicen que N = 1 no sabemos si el resultado ha sido c++
+c+; o si nos dicen que H = 1/2 lo u nico que sabemos es que el primero en llegar ha llegado a las 12:30 pero no qui en ha sido, ni a qu e hora ha llegado el segundo entre las 12:30 y las 13:00.
Ejemplo: el suceso {c++, +c+} es denible en t erminos de N (es el suceso [N = 1]). El suceso {cc, c+c, c++, +c+, +cc} es denible en t erminos de N (es el suceso [N 1]). El suceso hacen falta tres tiradas para acabar el juego, {c+c, c++, +c+, +cc} no es denible en t erminos de N .
Pero si hemos denido una variable aleatoria X es precisamente porque s olo nos interesa la informaci on contenida en ella.
Es decir, s olo queremos considerar las probabilidades de los
9 / 90
10 / 90
En general llamamos sucesos denibles en t erminos de la variable aleatoria X : E R a los que son de la forma [X J] donde J es un subconjunto de R, normalmente un intervalo. Por ejemplo el suceso [N 1] se puede escribir como [N [1, )]. El suceso [N = 1] como [N {1}], etc. E
es denible en t erminos de H: es el suceso [H 0.5] El suceso los dos llegan en la primera media hora
X [X J ] J
no es denible en t erminos de H.
Si denimos una variable aleatoria, es porque consideramos que nicos sucesos de inter estos son los u es para el problema que estamos resolviendo. De alguna forma trasladamos el espacio muestral a R y los sucesos son subconjuntos J de la recta real.
11 / 90 12 / 90
Funci on de distribuci on acumulada: Rango de una variable aleatoria: Se llama rango RX de una variable aleatoria X al conjunto imagen de la aplicaci on X , es decir, el conjunto de todos los valores que puede tomar X . Ejemplos: el rango de N es {0, 1, 2}; el de H, el intervalo [0, 1]. Sea X : E R una variable aleatoria. Para cada x R podemos calcular P[X x], es decir, P[X J] donde J = (, x]. El resultado es un n umero real entre 0 y 1 (una probabilidad). Si hacemos esto para todo x R, lo que resulta es la funci on de distribuci on acumulada FX de la variable aleatoria X :
FX : R R ,
13 / 90
14 / 90
Vamos a calcular FN y FH . FH (h) = P[H h]. Por ejemplo, P[H 1/2] =?? P[H 1/4] =?? [H 1/2] P[H 1/2] = 1 (1/2)2
En denitiva: 0 F H ( h) = 2 h h2 1
1
Representaci on gr aca:
(h < 0) (0 h < 1) (h 1)
[H 1/4]
0.8
0.6
P[H h] = 1 (1 h)2 = 2h h2
0.4
Si h < 0, entonces P[H h] = 0 (suceso imposible). Si h > 1 entonces P[H h] = 1 (suceso seguro).
0.2
0 -0.5
0.5
1.5
15 / 90
16 / 90
Espacio muestral del juego de la moneda: cc c+c c++ ++ +c+ 1/4 1/8 1/8 1/4 1/8
+cc 1/8
Por tanto P[N = 0] = 1/4, P[N = 1] = 1/4, P[N = 2] = 1/2. Queremos calcular FN (n) = P[N n] para todo n R.
0 1/4 FN ( n ) = 1/2 1
Representaci on gr aca:
1.0 0.4 0.6 0.8
0.0
0.2
Si n < 0, P[N n] = 0 (suceso imposible) Si 0 n < 1, P[N n] = P[N = 0] = 1/4 Si 1 n < 2, P[N n] = P[N = 0] + P[N = 1] = 1/4 + 1/4 Si n 2, P[N n] = 1
FN(n)
-2
-1
17 / 90
18 / 90
Si X es una variable aleatoria cualquiera, su funci on de distribuci on FX cumple las siguientes propiedades:
1 2 3
limx FX (x) = 1
FX es mon otona creciente limx FX (x) = 0, limx FX (x) = 1 FX es continua por la derecha, es decir, para cualquier a R se cumple limxa+ FX (x) = FX (a)
Cualquier funci on de R en R que cumpla estas tres condiciones es la funci on de distribuci on de alguna variable aleatoria.
FX es continua por la derecha, es decir, para cualquier a R se cumple limxa+ FX (x) = FX (a)
(esto no quiere decir que FX sea continua: lo es por la derecha, es decir, toma en cada punto el valor al que tienden las im agenes de los puntos un poco a la derecha de el.)
19 / 90
20 / 90
La funci on de distribuci on acumulada FX almacena toda la informaci on sobre la variable aleatoria X . Eso quiere decir que dado cualquier conjunto J R debe ser posible expresar la probabilidad P[X J] en t erminos s olo de FX .
Por ejemplo: Supongamos que hemos olvidado la denici on de N y que s olo tenemos su funci on de distribuci on acumulada 0 (n < 0) 1/4 (0 n < 1) FN (n) = 1/2 (1 n < 2) 1 (n 2) Cu al es la probabilidad de que N sea menor o igual que 1? Por la denici on, P[N 1] es exactamente FN (1) = 1/2.
21 / 90
22 / 90
0 1/4 FN ( n ) = 1/2 1
Cu al es la probabilidad de que N sea estrictamente mayor que 0? Quiero calcular P[N > 0] = 1 P[N 0] = 1 FN (0) = 1 1/4 = 3/4.
0 1/4 FN ( n ) = 1/2 1
Cu al es la probabilidad de que 0 < N 1.5? Quiero calcular P[N (0, 1.5]] Pero (0, 1.5] = (, 1.5] \ (, 0] 0 1.5
luego P[N (0, 1.5]] = P[N (, 1.5] \ (, 0]] = P[N (, 1.5]] P[N (, 0]] = FN (1.5) FN (0) = 1/2 1/4 = 1/4.
23 / 90
24 / 90
En general:
P[X x] = FX (x) P [ X > x ] = 1 P [ X x ] = 1 FX ( x )
Una variable aleatoria es discreta cuando su rango es un conjunto nito, o bien una sucesi on, de valores. Ejemplo: N (n umero de caras en el juego de la moneda) es una variable discreta: RN = {0, 1, 2} es nito.
As se recuperan a partir de FX las probabilidades de sucesos de la forma [X J] con J = (, x], J = (x, ), J = (x, y]. Hay f ormulas para todo tipo de intervalos.
Supongamos ahora que jugamos a tirar una moneda todas las veces que sean necesarias hasta que salga cara. Sea M la tirada en la que acaba el juego. Entonces RM = {1, 2, 3, 4, 5, } : es un conjunto innito, pero se puede poner como una sucesi on de valores: la sucesi on de los n umeros naturales. Por tanto M tambi en es una variable aleatoria discreta.
25 / 90
26 / 90
Funci on de probabilidad
Funci on de probabilidad de una variable aleatoria discreta X : es la que asocia a cada uno de los valores del rango la probabilidad de que X tome ese valor. es decir: x RX 7 P[X = x] Por ejemplo, en el caso de la variable N sab amos que P[N = 0] = 1/4, P[N = 1] = 1/4, P[N = 2] = 1/2. La representaci on gr aca de la funci on de probabiliRecoge los saltos de la fundad de N es ci on de distribuci on:
1/2
1.0 0.8
Se dice que una variable aleatoria es continua cuando es continua su funci on de distribuci on acumulada. ejemplos: N no es continua.
1 0.8
H s es continua.
0.8
1.0
0.6
0.6
0.4
0.4
0.2
FN(n)
0.2
0.0 -2
-1
0 -0.5
0.5
1.5
0.6
1/4
1/4
0.0
0.2
FN(n)
-2
-1
Denici on equivalente: Una variable X es continua cuando para cualquier x se cumple P[X = x] = 0. (La funci on de distribuci on acumulada no tiene saltos.)
2
27 / 90 28 / 90
0.4
Una variable X es continua cuando para cualquier x se cumple P[X = x] = 0. Recordemos c omo se obtienen a partir de FX las probabilidades de algunos sucesos de la forma [X J] : X variable aleatoria arbitraria P[X x] = FX (x) P [ X > x ] = 1 FX ( x ) P[x < X y] = FX (y) FX (x) Pero si X es continua, P[X = x] = 0, y por lo tanto P[X x] = P[X < x] + P[X = x] = P[X < x]. En general, si X es continua la probabilidad de que tome valores en un intervalo es la misma independientemente de que el intervalo contenga o no a sus extremos. La tabla mejorada en el caso continuo queda as : X variable aleatoria arbitraria P[X x] = FX (x) P [ X > x ] = 1 FX ( x ) P[x < X y] = FX (y) FX (x)
29 / 90
30 / 90
Funci on de densidad
La funci on de probabilidad de una variable aleatoria continua ser a constante igual a 0, ya que P[X = x] = 0 para todo x en este caso. til en el caso continuo. Por tanto este concepto no resulta u La tabla mejorada en el caso continuo queda as : X variable aleatoria arbitraria Si adem as X es continua P[X x] = FX (x) = P [X < x ] P [ X > x ] = 1 FX ( x ) = P [X x ] P[x < X y] = FX (y) FX (x) = P[x X y] = P [x X < y ] = P [x < X < y ] Para variables continuas, en lugar de la funci on de probabilidad se dene la funci on de densidad.
b caso discreto
b caso continuo
Las probabilidades asociadas a la variable aleatoria X se obtienen como integrales de la funci on de densidad en los intervalos correspondientes.
31 / 90
32 / 90
Funci on de densidad
Funci on de densidad
Sea X variable aleatoria continua, con funci on de distribuci on acumulada FX . Se dene la funci on de densidad de X , fX , como la funci on derivada de FX :
0 (x) en los puntos donde la derivada exista. f X ( x ) = FX
1.5
2.0
(h < 0) ( 0 h < 1) (h 1)
0 fH (h) = 2 2h 0
La funci on de densidad puede no estar denida en un conjunto nito de puntos; eso no representa un problema porque en la pr actica nos van a interesar no los valores que toma sino sus integrales. Es decir: para que una variable aleatoria tenga funci on de densidad, su funci on de distribuci on acumulada tiene que poder derivarse en todos los puntos salvo quiz as un n umero nito de ellos. S olo nos interesan las variables aleatorias continuas que tienen funci on de densidad.
0.6
0.4
0.2
0 -0.5
0.5
1.5
0.0 -0.5
0.5
1.0
0.0
0.5
1.0
1.5
33 / 90
34 / 90
La funci on de densidad de una variable aleatoria X tambi en almacena toda la informaci on de esa variable: a partir de fX se pueden calcular las probabilidades de la forma P[X J], donde J es un subconjunto de R (normalmente un intervalo). Concretamente si fX es la funci on de densidad de X , entonces para cualquier intervalo [a, b] R se cumple Rb P[a X b] = a fX (x) dx
0.3 0.4
P [X J ] =
Cuando una variable aleatoria tiene asociada una funci on de densidad, las probabilidades asociadas a esa variable pueden ponerse como integrales de esa funci on. Estas integrales son en general impropias (ni el intervalo de integraci on ni la propia funci on tienen por qu e estar acotados).
J fX (x) dx
0.0
0.1
0.2
!3
!2
!1
0 x
35 / 90
36 / 90
(h < 0) ( 0 h < 1) (h 1)
0 fH (h) = 2 2h 0
2.0 1.5
1.0
0.2
0.3
0.4
FX ( x ) =
Rx
fX (t) dt
Rx
fX (t) dt
0.4
0.2
0.1
! FX(x) = ! fX(t)dt
!!
0.5
0 -0.5
0.5
1.5
-0.5
0.0
0.5
1.0
1.5
Grfica de fX
x 2 3
Es claro que FX es una primitiva de fX . Concretamente para obtener FX (x) integramos fX desde hasta x: Rx FX (x) = fX (t) dt
37 / 90
0.0
0.0 -3
-2
-1
38 / 90
Si X es una variable aleatoria continua con funci on de densidad fX : R R, entonces fX cumple las siguientes propiedades:
1 2
Y rec procamente: toda funci on f : R R que cumpla estas dos condiciones es la funci on de densidad de alguna variable aleatoria continua.
Si X es una variable aleatoria continua con funci on de densidad fX : R R, entonces fX cumple las siguientes propiedades:
fX (x) 0 para todo x R (Ya que fX es la funci on derivada de la funci o n creciente F ). X R R 2 fX (x) dx = 1 (Ya que fX (x) dx = P[ < X < ] = 1)
1
Y rec procamente: toda funci on f : R R que cumpla estas dos condiciones es la funci on de densidad de alguna variable aleatoria continua.
39 / 90
40 / 90
Ejemplo
Ejemplo
Por ejemplo: consideramos la variable V (velocidad en km/h de un veh culo) con funci on de densidad ( 0 (v < 0) f V ( v) = 1 v / 40 (v > 0) 1600 ve
0.01
f V ( v) =
0
1 v/40 1600 ve
(v < 0) (v > 0)
0.01 0.008
0.006
y=fV(v)
0.008
0.004
0.006
y=fV(v)
0.002
0.004
0 -50
50
100
150
200
250
300
0.002
FV ( v) =
0 50 100 150 200 250 300
0 -50
si v < 0, si v 0,
Rv
fV (t) dt
R 0
Rv
=
1 tet/40 0 1600
0 dt +
0 dt = 0 Rv
dt = 0 + 1 ev/40 1 +
v 40
41 / 90
42 / 90
Ejemplo
v 40
(v < 0) (v 0)
Una variable aleatoria es una aplicaci on X : E R donde E es el espacio muestral asociado a un experimento aleatorio. Lo que vamos a hacer ahora es transformar X, componer X con una funci on real de variable real. E X R g R
0.6
0.4
y=FV(v)
0.2
Si X es una variable aleatoria, entonces Y = g X es tambi en una variable aleatoria, denida en el mismo espacio muestral que X .
250 300
Y =gX
0 -50
50
100
150
200
Diremos que conocemos la distribuci on de la variable X cuando conozcamos su funci on de distribuci on acumulada, o bien su funci on de densidad.
43 / 90
Se suele escribir Y = g(X ) en lugar de g X . Es suciente que g est e denida en el rango de X para que se pueda hacer la composici on. Problema: Conocida la distribuci on de X , calcular la de Y .
44 / 90
es la velocidad (constante) a la que un autom ovil recorre un trayecto de 40 km. La velocidad a la que recorre ese trayecto es V (aleatoria). El tiempo que tarda en recorrerlo es T = 40/V (aleatorio). La relaci on entre V y T viene dada por la funci on t = 40/v,
40 35
FV ( v) =
Conocida la distribuci on de V , calcular la de T = 40/V . Primer m etodo: Utilizando la denici on. Como RV = (0, ), deducimos que RT = (0, ). Intentamos calcular FT a partir de FV . Para cualquier t > 0 FT (t) = P[T t] = P[40/V t] = P[V 40/t] = 1 P[V < 40/t] = 1 P[V 40/t] = 1 FV (40/t) = 1 1 e e 1/ t ( 1 + 1 t)
40/t 40
0 1 ev/40 1 +
v 40
(v < 0) (v 0)
g(v) = 40/v
30
R
t
25
1+
20
40/t 40
15
t=40/v
10
T = g V = 40/v
0 0 10 20 30 40 50
Conocida la distribuci on de X , calcular la de Y = g(X ). Segundo m etodo: F ormula de cambio de variable (es una variante de la Regla de la Cadena). Es un m etodo m as directo, da fY en funci on de fX , s olo se puede aplicar en casos favorables.
0.6
0.4
y=FT(t)
La f ormula es como sigue: Si Y = g(X ) donde X es una variable aleatoria continua y g es una transformaci on estrictamente mon otona y derivable en el rango de X , entonces fY (y) = fX (x(y))
dx dy
0.2
0 -2 -1 0 1 2 3 4 5 6
y RY .
47 / 90
48 / 90
Si Y = g(X ) donde X es una variable aleatoria continua y g es una transformaci on estrictamente mon otona y derivable en el rango de dx X , entonces fY (y) = fX (x(y)) dy , y RY . En nuestro caso T = 40/V ; V es una variable aleatoria continua; g(v) = 40/v es derivable y estrictamente decreciente en el rango (0, ) de V
40 35 30
fT (t) = fV (v(t)) f V ( v) =
dv dt
t RT = (0, )
(v > 0)
dv dt
= 40/t2 ; queda
40/t
25
20
15
t=40/v
10
0.8
0.6
0 0 10 20 30 40 50
0.4
y=fT(t)
dv dt
0.2
t RT = (0, ).
49 / 90
0 -2 -1 0 1 2 3 4 5 6
50 / 90
Acabamos de ver que ( 0 (t < 0) fT (t) = 1 1/t e (t > 0) t3 Por el primer m etodo vimos que ( 0 ( t < 0) FT ( t ) = 1 1 / t e ( 1 + t ) ( t 0)
Sea E el espacio muestral asociado a un experimento aleatorio. Recordar: Una variable aleatoria sobre E es una aplicaci on X : E R.
Un vector aleatorio o variable aleatoria conjunta es una aplicaci on (X1 , X2 , . . . , Xn ) : E Rn , donde n puede valer 2, 3, 4...
Denimos variables aleatorias conjuntas cuando queremos analizar el comportamiento conjunto de las magnitudes aleatorias. Veremos ejemplos con n = 2 y escribiremos normalmente (X , Y ) en lugar de (X1 , X2 ).
51 / 90
52 / 90
Una variable aleatoria conjunta es una aplicaci on E Rn . Ejemplo: Tiramos tres veces una moneda. El espacio muestral asociado a este experimento aleatorio es E = {ccc, cc+, c+c, +cc, c++, +c+, ++c, +++ } con asignaci on equiprobable (todos los sucesos elementales tienen probabilidad (1/2)(1/2)(1/2) = 1/8). Vamos a denir un vector aleatorio (X , Y ) sobre este espacio muestral.
Ejemplo: Tiramos tres veces una moneda. Llamamos X al n umero de caras en la primera tirada e Y al n umero de caras en total. Consideramos (X , Y ) : E R2
E ccc cc+ c+c +cc c++ +c+ ++c +++ Y 3 2 1 0 0 1 X R2
53 / 90
54 / 90
Se dene el rango de la variable aleatoria conjunta (X1 , X2 , ..., Xn ) como el conjunto imagen de esa aplicaci on (un subconjunto de Rn ).
E ccc cc+ c+c +cc c++ +c+ ++c +++ Y 3 2 1 0 0 1 X R2
La funci on de probabilidad PXY del vector aleatorio discreto (X , Y ) le asocia a cada (x, y) R(X ,Y ) la probabilidad P[(X , Y ) = (x, y)] es decir, P[X = x, Y = y]. En el ejemplo:
PXY (0, 0) = P[X = 0, Y = 0] = P[{+++}] = 1/8 PXY (0, 1) = P[X = 0, Y = 1] = P[{+c+, ++c}] = 2/8 PXY (0, 2) = 1/8 PXY (1, 1) = 1/8 PXY (1, 2) = 2/8 PXY (1, 3) = 1/8
En el ejemplo: R(X ,Y ) = {(0, 0), (0, 1), (0, 2), (1, 1), (1, 2), (1, 3)}.
Si el rango de (X , Y ) es nito o es una sucesi on de puntos, se dice que la variable conjunta es discreta (como en este caso).
55 / 90
56 / 90
Se suele representar as : Y PXY (0, 0) = 1/8 PXY (0, 1) = 2/8 PXY (0, 2) = 1/8 PXY (1, 1) = 1/8 PXY (1, 2) = 2/8 PXY (1, 3) = 1/8 1 0 2 3
1/8 1/8
2/8
Recordar: Si X es una variable aleatoria, su funci on de distribuci on acumulada FX : R R se den a as : FX (x) = P[X x], para todo x R. Si (X , Y ) es una v. a. conjunta, su funci on de distribuci on 2 acumulada es una funci on FXY : R R denida as : FXY (x, y) = P[X x, Y y] para todo (x, y) R2 . X
2/8
1/8
1/8
57 / 90
58 / 90
Y 3 Valores de la funci on de distribuci on en todos los puntos del plano (los rect angulos son cerrados por debajo y por la izquierda; por ejemplo FXY (0.5, 1) = 3/8):
En el ejemplo: FXY (1.5, 2.5) = P[X 1.5, Y 2.5] = 7/8 (suma de las probabilidades de los puntos del rango que quedan debajo y a la izquierda del punto (1.5, 2.5)) Y 3 2 1 0
1/8 2/8 1/8 1/8 (1.5, 2.5) 2/8 1/8
1 4/8
1/8 1/8
7/8
2/8
2 1 0
3/8
2/8 1/8
1/8
4/8
1/8
1 X
0 1 X
59 / 90
60 / 90
Variables marginales
Variables marginales
La distribuci on de las marginales siempre se puede deducir de la conjunta. Por ejemplo Si (X , Y ) es una variable aleatoria conjunta, se llaman marginales de (X , Y ) a sus componentes, X e Y , consideradas como variables aleatorias simples. La distribuci on de las marginales siempre se puede deducir de la conjunta. Al rev es no es cierto en general.
RX = {0, 1} P[X = 0] = P[X = 0, Y = 0]
Y 3 2 1/8 2/8 1/8 2/8
+P[X = 0, Y = 1] +P[X = 0, Y = 2] = 1/8 + 2/8 + 1/8 = 1/2 P[X = 1] = P[X = 1, Y = 1] +P[X = 1, Y = 2] +P[X = 1, Y = 3] = 1/8 + 2/8 + 1/8 = 1/2 (X es el n umero de caras al tirar una moneda.)
X=0
1
X=1
1/8
0 1/8 0 1 X
61 / 90
62 / 90
Variables marginales
Variables marginales
An alogamente
Y
RY = {0, 1, 2, 3} P[Y = 0] = 1/8 P[Y = 1] = 3/8 P[Y = 2] = 3/8 P[Y = 3] = 1/8 (Y es el n umero de caras al tirar 3 monedas.)
1/8
Y=3
1/8
2/8
R(X ,Y )
1 0
2/8
1/8
(x,y)R(X ,Y )
P[X = x , Y = y ]
1/8 0 1
63 / 90
64 / 90
Variables marginales
Variables marginales
0 ?? 0 1/2
1 1/2
Innitas formas de asignar probabilidades de forma que sumen por las y por columnas las marginales indicadas.
En la distribuci on conjunta hay m as informaci on que en las marginales. Las marginales dan el comportamiento de las variables aleatorias por separado; la conjunta describe c omo interaccionan. Hay un caso importante en el que la distribuci on conjunta se deduce de las marginales: si sabemos que las variables son independientes.
65 / 90
66 / 90
Variables independientes
Variables independientes
Sea (X , Y ) una variable aleatoria conjunta. Se dice que las variables X e Y son independientes cuando los sucesos asociados a ellas son independientes. E [X I] e [Y J] son [X I ] [Y J ] independientes para todos I, J subconjuntos de R. Si (X , Y , Z) es una variable de 3 componentes, las variables X , Y y Z son independientes cuando [X I], [Y J] y [Z K ] son independientes para todos I, J, K subconjuntos de R. (Recordar independencia de m as de dos sucesos). Y as sucesivamente.
Si (X , Y ) es una variable aleatoria conjunta discreta, se cumple que X e Y son independientes cuando P[X = x, Y = y] = P[X = x]P[Y = y] para todo (x, y) R(X ,Y ) . Es decir, si los sucesos [X = x] e [Y = y] son independientes para todos x e y. Si sabemos que en el vector aleatorio (X , Y ) las variables X e Y son independientes, entonces es claro que se puede obtener la funci on de probabilidad conjunta a partir de las marginales: P [X = x , Y = y ] = P [X = x ]P [Y = y ]. M as de dos variables: En el vector aleatorio (X1 , X2 , , Xn ), las componentes son independientes si P[X1 = x1 , X2 = x2 , , Xn = xn ] = P[X1 = x1 ]P[X2 = x2 ] P[Xn = xn ]
67 / 90
68 / 90
Variables independientes
Variables condicionadas
X e Y son independientes cuando P[X = x, Y = y] = P[X = x]P[Y = y] para todo (x, y) R(X ,Y ) .
P [ Y = 0| X = 0 ] = P[X = 0, Y = 0]/P[X = 0] = (1/8)/(1/2) = 1/4 P [ Y = 1| X = 0 ] = P[X = 0, Y = 1]/P[X = 0] = (2/8)/(1/2) = 1/2 P [ Y = 2| X = 0 ] = P[X = 0, Y = 2]/P[X = 0] = (1/8)/(1/2) = 1/4
2/12 1/12
0 1/8
0 1/2
Variables condicionadas
En general: Sea (X , Y ) variable conjunta discreta. Para cada x RX se dene la nueva variable Y |X =x , con la funci on de probabilidad
P [ Y | X =x = y ] = P [ Y = y | X = x ]
Sea (X , Y ) una variable aleatoria conjunta. Recordemos la denici on de su funci on de distribuci on acumulada conjunta FXY : R2 R:
Si FXY resulta ser una funci on continua, se dice que (X , Y ) es una v.
= P[Y = y, X = x]/P[X = x]
Su rango RY |X =x est a formado por los y tales que (x, y) R(X ,Y ) . (Deniciones an alogas para variables condicionadas del tipo X |Y =y .)
71 / 90
72 / 90
Sea (X , Y ) una variable aleatoria conjunta continua. Se dene la funci on de densidad conjunta fXY : R2 R de la siguiente forma: fXY (x, y) = 2 FXY (x , y ) x y
fXY
en los puntos en que esta derivada exista. Para cualquier conjunto A R2 en el que se pueda integrar, se cumple Z Z P[(X , Y ) A] = Rb
a fX A
En particular esta f ormula permite obtener FXY a partir de fXY : RR Rx Ry FXY (x, y) = P[X x, Y y] = A fXY = fXY (x , y )
fXY
73 / 90
74 / 90
Al denir una variable aleatoria conjunta continua, lo m as com un es dar su funci on de densidad. Y en cualquier caso, s olo nos interesan las v. a. conjuntas continuas que tienen funci on de densidad. Cualquier funci on f no negativa y con integral 1 en todo R2 es la funci on de densidad de una variable aleatoria conjunta. El rango de esa variable es el conjunto donde f toma valores positivos.
Ejemplo: Se dene la variable aleatoria conjunta (X , Y ) por la siguiente funci ( on de densidad: 2 (0 x y 1) fXY (x, y) = 0 en otro caso Gr aca de fXY
Y 1
rango de (X , Y ) 1X
z
x
75 / 90
76 / 90
fXY (x, y) =
2 0
(0 x y 1) en otro caso
fXY (x, y) =
2 0
(0 x y 1) en otro caso
(a) Comprobar que es una funci on de densidad bien denida. Es claro que fXY as tiene R(x R, y) 0 en todos los puntos (x, y). Adem que cumplirse f = 1 . 2 XY RR RR R f = 2dxdy = 1 (comprobarlo). 2 XY R R
(X ,Y )
(b) Calcular P[Y > X + 1 2 ]. RR Es on A {y>x+ 1 } fXY =integral de fXY sobre la regi
2
A RR 1 X =1 4 (comprobarlo)
A 2dxdy
R( X ,Y )
1/2
1 X
77 / 90
78 / 90
(c) Calcular la funci on de distribuci on acumulada FXY . Rx Ry 2 En cada (x, y) R , FXY (x, y) = fXY (s, t)dsdt 1 Y (x , y ) FXY (x, y) ser a la integral de 2 sobre el conjunto donde se solapan.
y2
1 X
79 / 90
80 / 90
Variables marginales
Variables marginales
La denici on de variables marginales es la misma que en el caso discreto. Si (X , Y ) es un vector aleatorio, se obtiene FX como RR Rx R FX ( x ) = P [ X x ] = A fXY = fXY (s, y)dyds A x
0 0 FX (x) = FX (x, ) = 2x x2 1
Como antes, RX = [0, 1] es el conjunto de x tales que alg un (x, y) est a en R(X ,Y ) .
( x 0) (0 x 1) ( x 1)
81 / 90
82 / 90
Variables marginales
Variables marginales
An alogamente 0 2x x 2 2xy x2 y2 1 Si queremos calcular directamente las funciones de densidad de las marginales: integramos respecto a la(s) otra(s) variable(s). R fX (x) = fXY (x, y)dy R fY (y) = fXY (x, y)dx Rx R Demostraci on: Si derivamos FX (x) = fXY (s, y)dyds R respecto a x obtenemos fX (x) = fXY (x, y)dy. La otra es an aloga. (y 0) ( 0 y 1) (y 1)
0 0 0 FY (y) = FY (, y) = y2 1
y2
83 / 90
84 / 90
Variables marginales
Variables independientes
(e) Calcular fX y fY en el ejemplo. Se podr a hacer derivando FX y FY (que hemos calculado) Si no tenemos las funciones de distribuci on: R fX (x) = fXY (x, y)dy donde, como sabemos,
Y
Sea (X , Y ) una variable aleatoria conjunta continua. Se cumple que X e Y son independientes cuando fXY (x, y) = fX (x)fY (y) para todos ( x , y ) R2 . Esto es equivalente a que FXY (x, y) = FX (x)FY (y) para todos ( x , y ) R2 . Las variables del ejemplo no son independientes. Y 1 De hecho en el punto (x, y) del dibujo, fXY (x, y) = 0 mientras que fX (x) 6= 0, fY (y) 6= 0. No se puede (x , y ) y cumplir fXY (x, y) = fX (x)fY (y) x 1X
fXY (x, y) =
y=1
2 0
(0 x y 1) en otro caso R1
x
y=x x 1 X
Variables independientes
Variables condicionadas
Sea (X , Y ) una variable aleatoria conjunta continua. Se cumple que X e Y son independientes cuando fXY (x, y) = fX (x)fY (y) para todos ( x , y ) R2 . Por tanto si X e Y son independientes, su distribuci on conjunta se puede recuperar a partir de las marginales. M as de dos variables: En el vector aleatorio (X1 , X2 , , Xn ), las componentes son independientes si fX1 X2 Xn (x1 , x2 , , xn ) = fX1 (x1 )fX2 (x2 ) fXn (xn )
Sea (X , Y ) una variable aleatoria conjunta continua. Para cada x RX tiene sentido denir la variable Y |X =x (y para cada y RY , la variable X |Y =y ). Recordar que en el caso discreto la f ormula correspondiente era P [ Y = y | X = x ] = P [ X = x , Y = y ] /P [ X = x ] . Entonces ponemos
fY |X =x (y) = fXY (x, y)/fX (x).
87 / 90
88 / 90
Variables condicionadas
Variables condicionadas
(f) En el ejemplo: Vamos a denir Y |X =1/4 . Recordar que fX (x) = 2(1 x) en su rango [0, 1].
Y 1 y=1
Sea (X , Y ) una variable aleatoria conjunta continua. Para cada x RX se dene la variable Y |X =x .
En general: Sea (X , Y ) variable conjunta continua. Para cada x RX se dene la nueva variable Y |X =x , con la funci on de densidad
fY |X =x (y) = fXY (x, y)/fX (x)
Su rango RY |X =x est a formado por los y tales que (x, y) R(X ,Y ) . (Deniciones an alogas para variables condicionadas del tipo X |Y =y .)
2 2(1 1 ) 4
89 / 90
90 / 90