Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Conceptos Basicos
Conceptos Basicos
Si se extraen cinco bolas de una urna con bolas blancas, negras y rojas, podemos estar interesados en el
nmero de bolas de cada color. Es evidente que al considerar diversas caractersticas para describir los
resultados de un experimento aleatorio (o sea, diversas variables aleatorias), estas estarn a menudo
relacionadas, por lo que ser a conveniente realizar un estudio conjunto de ellas que refleje dichas
relaciones, ms que analizarlas individualmente. De esta forma aparece el concepto de variable
aleatoria multidimensional o vector aleatorio que, en trminos generales, puede definirse como una
funcin que asigna a cada elemento del espacio muestral un conjunto finito de nmeros reales que
describen el valor da cada una de las caractersticas bajo estudio en dicho elemento. Como en el caso
unidimensional, al considerar un vector aleatorio definido en relacin a un experimento, los conjuntos
de inters estarn definidos en trminos de dicho vector y, para poder calcular sus probabilidades, es
preciso exigir determinadas propiedades. La definicin formal y el tratamiento de las variables
aleatorias multidimensionales son anlogas a los de unidimensionales.
1
CAPITULO N 1
Evento: E= { 2,4,6 }
La Probabilidad de que haya un terremoto en Puerto Rico antes del 2000 es casi cero.
1) 0 P ( A ) 1
2) P( S)=1
A1 A2 , , AN
3) Si , son eventos mutuamente excluyentes
2
CAPITULO N 1
1 = nivel de confianza
S= {CC , CS , SC , SS }
X = ? = N DE caras
X: S R
Sean X e Y variables aleatorias Una variable aleatoria bidimensional (X, Y) es una asignacin numrica
en R2.
X :S R ; Y : S R
Dnde: por la definicin de las variables aleatorias se le asigna un par de nmeros reales (X, Y) a los
eventos del espacio de prueba. Por lo tanto se dice que (X, Y) es una variable aleatoria.
3
CAPITULO N 1
X =( X 1 , X 2 , , X N ) S (
X ( S ))
X
Si es un vector definido en , entonces es una
variable aleatoria multidimensional.
p( x , y )=P( X=x ;Y = y )
Propiedades:
1)
P ( x , y )=1
x y
2) p ( x , y )=P ( X=x ; Y = y ) 0
Propiedades
a) p ( x 1 , x 2, x 3 , . , x n ) 0
b)
. P ( x , y )=1
x1 x2 xn
Ejemplo:
4
CAPITULO N 1
P(x , y)
y
- Caso continuo: si las variables (x,y) son variables aleatorias bidimensionales continuas entonces se
define la funcin de probabilidad como:
Propiedades:
a) f(x,y) 0
b) f ( x , y ) dxdy =1
x y
Propiedades
b) f ( x 1 , x 2 , x 3 , . , x n ) dx1 dx 2 dxn =1
x1 x2 xn
5
CAPITULO N 1
Caso discreto
b) Caso particular:
a b
Si el vector n-dimensional x (x1, x2, x3,.,xn) es una variable aleatoria se define la funcin
de distribucin cumulada como:
t 1 ,t 2 , .. t n
x2 xn
X 1 x1 , X 2 x 2 , , X n xn . P()
p(x1, x2, x3,.,xn) = P ( )= t2
x1
tn
t1
Caso continuo
Sean (x,y) variables aleatorias bidimensionales continuas con funcin de densidad f(x,y) entonces se
define la funcin de distribucin acumulada como:
x y
X 1 x1 , X2 x2 , , Xn xn
F(x1, x2, x3,.,xn) = f( )=
x1 x 2 xn
. f ( t1 , t2 , , tn ) dt n dtn1 dt 2 dt 1
Propiedades:
6
CAPITULO N 1
Caso Discreto, Sean (x,y) variable aleatoria bidimensional discretos con distribucin de cuanta
conjunta P(x,y), entonces la funcin de probabilidad marginal de (x,y) est dada por:
P1 ( X )=P x (x )= P(x , y)
y
P2 ( y ) =P y ( y ) = P( x , y )
x
X =( X 1, X 2, ., X n) Entonces un subconjunto es X i 1 , X i 2 .. X it
Entonces:
x i1 , xi 2 x
subconjunto , . . . . it .
Caso Continuo, Sean (x,y) variable aleatoria continua con funcin de densidad
f(x, y), entonces la funcin de distribucin marginal se define como.
Ry 1
f x ( x )=f 1 ( x ) = f (x , y) d y =h x ( x)
Ry
x= g y ( y)
Rx 1
f y ( y )=f 2 ( y )= f ( x , y ) d
Rx
7
CAPITULO N 1
x ,x x .
Donde la integral se extiende a todas las variables excepto a las del subconjunto ( i 1 i2, .. it )
Anlogamente,
F Xi , , xik ( xi , , x i ) =F X ( + , ,+ , x i ,+ , ,+ , xi ,+ , ,+ )
1 k 1 k
Sin embargo, ya que nosotros trabajamos con vectores discretos o continuos cuyas componentes, como
hemos visto, son variables aleatorias discretas o continuas, lo que nos interesa es el clculo de las f.m.p
o funciones de densidad marginales a partir de la conjunta.
X =( X 1 , , X N ) P { X E X }=1
Sea es un vector aleatorio discreto con y funcin masa de
P { X=x } x EX
probabilidad conocida: .
8
CAPITULO N 1
P ( X )=P X ( X )= ( x , y )
y
P ( y )=P y ( y ) = ( x , y )
x
Si Xi es una componente arbitraria (ya sabemos que es discreta y que toma valores en el conjunto
{
E Xi= Xi R x E X : ( x )i =Xi
} su funcin masa de probabilidad puede obtenerse a partir de la de
Ejemplo: Se lanza una moneda tres veces y se define X: Numero de caras e Y: Diferencia, en valor
absoluto, de nmero de caras y cruces. Calcular las distribuciones marginales a partir de la conjunta.
La funcin masa de probabilidad conjunta y marginales son (sin ms que sumar por Filas y por
columnas)
9
CAPITULO N 1
X =( X 1 , , X N )
Sea un vector aleatorio de tipo continuo con funcin de densidad fX conocida. En
el apartado anterior vimos que cada componente Xi es de tipo continuo y su funcin de distribucin es
f ( X )=f X ( X )= f ( x , y ) dy
Ry
f ( y )=f y ( X )= f ( x , y ) dx
Rx
Con
+ +
f i ( t i )= fx ( t 1 , ,t i , ,t n ) d t 1 d t i1 d t i+1 d t n d t i R
Por tanto, esta es la funcin de densidad de Xi que, como observamos se obtiene integrando la
conjunta en el resto de las componentes, fijando en la componente i-esima el punto de inters ti.
Ejemplo: Sea (X,Y) un vector aleatorio continuo con funcin de densidad
f ( x , y ) =10 x 2 y 0 y x 1
O con la conjunta,
O bien,
10
CAPITULO N 1
1
ax b;c y d
f(x,y) = area
a b
1 f
a x bc y d ;e z f
f(x,y,z) = volumen
e c
11
CAPITULO N 1
n!
x 1 , x 2 .. x k = P1x P2x Px3 . P xk
1 2 3 k
x 1 ! x2 ! . x k !
P
y xp ( x , y )
y
E [ xy ]=
x
g(x 1 , x 2 , , x n) x1 , x2, , xn
Sea una funcin de las variables aleatorias que tiene
E [ g (x 1 , x 2 , , x n) ]= g( x 1 , x 2 , , x n ) p( x 1 , x 2 , , x n )
xi x2 xn
E [ x , y ] = y xf ( x , y ) dxdy
Rx Ry
12
CAPITULO N 1
x
funcin de densidad dada por ( 1 , x 2 , , xn )
, entonces se define el valor esperado de
f
g ( x1 , x2 , , x n)
como:
. g ( x 1 , x 2 , , x n ) p ( x 1 , x 2 , , x n )
Rx 2 Rxn
E [ x , y ]=
Rx1
E [ x / y ] = xp ( x / y )
x
E [ x / y ] = xp ( y / x )
x
E [ x / y ] = xf ( x / y ) dx
Rx
E [ y /x ] = yf ( x / y ) dx
Rx
mrs =E [ xr y s ]
Para discretas:
y s x rp ( x , y )
y
E [ x r y s ]=
x
Para continuas:
E [ xr y s ] = y s x rf ( x , y ) dxdy
Rx Ry
Donde:
m1=E [ ]= X=E [ ] =M [ x ]
m01=E [ x0 y 1 ]=M [ y ]
13
CAPITULO N 1
m10=E [ x1 y 0 ]=M [ x ]
m11=E [ x 1 y 0 ] =M [ x , y ]
mr 1,r 2 rn=E [ xr 1x r 2 x rn ]
Al momento centrado de orden (1,1) se le llama covarianza, y se suele notar por Cov(X, Y ) o X,Y. Su
expresin es:
Diremos que dos variables son incorreladas si su covarianza es 0. Claramente, si dos variables son
independientes, tambin son incorreladas.
Ejemplo
1
f ( x , y )= ( 1+ xy ( x 2 y 2) ) ,1 x 1 ,1 y 1
4
1
1
f y ( y ) = ( 1+ xy ( x 2 y 2 ) ) dx= 1 1 y 1
1 4 2
14
CAPITULO N 1
1 1
1
E [ XY ] = xy ( 1+ xy ( x 2 y 2 ) ) dydx =0
1 1 4
1
1
E [ X ] = x dx =0
1 2
1
1
E [ Y ] = y dy =0
1 2
Por lo que Cov(X, Y ) = 0 y en consecuencia las variables son incorreladas. Con este ejemplo
observamos que el que las variables sean incorreladas no implica que sean independientes. Sin
embargo, si las variables son independientes s son incorreladas.
Propiedades
at
R x Rx
1 2
tx +sy
M x . y ( t , s )=E ( e )= e tx +sy f ( x , y ) dydx
Rx R y
Propiedades:
r +s
mrs =M ( x r y s ) =E ( x r y s )= M x , y (t , s )t=0, s=0
xr ys
15
CAPITULO N 1
t 1 x 1+ t x 2 2+ ,,,,,, ,, ,,,,,,,,,,,,,+ t n x n
e
Mx 1
x 2, .x n
( t 1, t2, t n )=E
Dada una variable aleatoria continua X su funcin caracterstica, que se denota mediante XY (t , s)
para t,s real, se define como:
XY ( t , s )=E [ e i ( tx +sy )
]= e i( tx+ sy )f ( x , y ) dxdy
Rx Ry
Dada una variable aleatoria discreta para X su funcin caracterstica, que se denota
mediante XY (t , s) se define como:
XY ( t , s )=E [ e i (tx +sy ) ] = e i( tx+ sy ) p ( x , y )
x y
1.12. Independencia.
Sabemos que dos sucesos A y B son independientes si se cumple que:
P (A/B) = P (A)
P (B/A) = P (B)
Y en consecuencia:
P (A B) = P (A) P (B)
Si se verifica:
16
CAPITULO N 1
P (a X b, c Y d) = P (a X b) P (c Y d)
La regresin lineal es una tcnica que permite cuantificar la relacin que puede ser observada cuando
se grafica un diagrama de puntos dispersos correspondientes a dos variables, cuya tendencia general es
rectilnea relacin que cabe compendiar mediante una ecuacin del mejor ajuste de la forma:
E ( yx )=f ( x )=a+ bx
E ( xy )=f ( y )=c +dy
Sea (x,y) variable aleatoria continua:
Ry Ry
f (x, y) f ( x , y)
y
() ( y
) ()
1 1
E =E = yf dy= y dy (1)
x f x(x) R
x R y
f x (x) y
x1 y1 x1 x1
f (x , y)
y f (x ) f x x dydx= a f x ( x ) dx+ bx f x ( x ) dx
x y x x x
y1 x1 x2
17
CAPITULO N 1
m01=a+b m10
a=m01b m10
x y y
Sea X e Y variables aleatorias con desviacin estndar respectivamente. El coeficiente de
cov (X , Y )
( x , y )=
x y
a. 1 1
b. ( x , y )= ( y , x )
( aX +c , bY + d )=( X ,Y )
18
CAPITULO N 1
+
( X )(
X )
V [
X ] =E
Propiedades:
i. Si x,y son independientes, entonces:
Cov [ X , Y ] =0
Cov [ X , Y ] =E [ XY ] E [ X ] E [ Y ] =E [ XY ] E [ XY ] =0
ii. V [ X Y ] =V [ X ] V [ Y ] 2 cov [ X , Y ]
b) Matriz De Covarianza.-
19
CAPITULO N 1
X (x 1 , x 2 , , x n )
SI:
{[ ] }
x1 X1
x2 X2
=(
X1 ,
X 2, ,
X n ) =E . [ x 1
X 1 x 2 Xn]
X 2 . . . x n
.
.
x n Xn
[ ]
2
( x 1
X 1 ) ( x 1 X 1 ) ( x 2
X2) . . . ( x 1
X 1 )( x n
Xn)
2
( x 2
X 2 ) ( x 1
X 1 ) ( x 2 X 2) . . . .
. . .
. . .
. . . . . .
2
( x n X n )( x1 X 1 ) ( x n X n ) ( x 2 X 2 ) . . . ( x n X n)
[ ]
11 11 . . . 1n
21 22 . . . 1n
. . . . . .
. . . . . .
n1 n 1 . . . nn
Propiedades.
L mayor o igual a 0
Una moneda es lanzada tres veces, sea x el nmero de caras obtenidas en los dos primeros
lanzamientos y sea el nmero de caras obtenidos en los dos ltimos lanzamientos hallar:
20
CAPITULO N 1
3. P [ X 1/1 Y 2 ]
4. E [ X ] , E [Y ]
5. V [ X ] , V [ X ] , COV [ X ]
SOLUCION:
YX 0 1 2 Py
0 1/8 1/8 0 2/8
1 1/8 2/8 1/8 4/8
2 0 1/8 1/8 2/8
Px 2/8 4/8 2/8 1
2. P [ X /1 ] =4 / 8
P [ y /1 ] =2 /8
P [ X 1 ] P [ 1 Y 2 ]
P [ X 1/1 Y 2 ]= =
3. P [ 1 Y 2 ]
1 1 2
+ +
8 8 8 2
=
4 2 3
+
8 8
4. m10= xp ( x )=E(x )
m20= x 2 p ( x )
21
CAPITULO N 1
3 1
V ( X ) = ( 1 )2=
2 2
V ( y )=m02 ( m01 )2
3 2 1
V ( y )= ( 1 ) =
2 2
xyp ( xy )=
m11 =
CONCLUSIONES
Podemos aseverar que el uso de la variable aleatoria multidimensional, es un buen recurso, para de esa manera
poder analizar y contrastar datos, en este caso probabilidad de un suceso, de distintas variables. Adems que su
uso en el anlisis de distintas sucesos, si bien en algunos momentos resulta simple en los resultados que arroja,
es la base de distintos anlisis que sern vistos en esta materia
22