PONTIFICIA UNIVERSIDAD CATOLICA

FACULTAD DE CIENCIAS SOCIALES

ESPECIALIDAD DE ECONOMIA
ESTADISTICA INFERENCIAL
Problemas sobre vector aleatorio

Problema 1
 2  4 1 0  1
   
 6   1 16 1 0
Sea X  R v.a. tal que  X    y  X  
4

3 0 1 9 0
   
9 1 0 0 25 
a) Si X representa las respectivas rentabilidades de 4 tipos de inversiones y Ud. tiene invierte 20 unidades
monetarias en la primera, 10 en la segunda, 30 en la tercera y 40 en la cuarta. Si W representa lo que se gana
con la “cartera de inversiones” , halle y ¿Cuánto esperaría ganar en total? ¿Dentro de qué márgenes
estaría su ganancia?
b) Sean las variables aleatorias Y 1 2 X 1  X 2  X 4 , Y 2 X 1  X 2  X 3 y Y 3 2 X 3  X 4 donde X 1 , X 2 ,
X 3 , X 4 son las componentes de X , y sea Y  (Y1 , Y2 , Y3 )T  R 3 , halle el vector de medias y la matriz de
varianza covarianza de Y ¿Sería cierto que Y1 tiene relación lineal inversa con Y3 ?

Sugerencias:
a)
Primera alternativa de Sugerencias: Usando propiedades de valor esperado escalar o univariado:
La ganancia total es G  20 X1  10 X 2  30 X 3  40 X 4 , aplicando la siguiente proposición (Apuntes Cap 3):

Proposición
 1

Sea X vector aleatorio n-dimensional X1xn  ( X 1 , X 2 ,..., X n ) y sean 1 ,  2 , ,  k constantes (o también
variables no aleatorias). Entonces:
n n
 E[  j X j ]  j E[ X j ] y
j 1 j 1
n n
 V[  j X j ]  2j V [ X j ]  2 i j Cov(X i , X j )
j 1 j 1 i j
Tenemos:

 E(G)  E(20 X 1  10 X 2  30 X 3  40 X 4 )  20E( X 1 )  10E( X 2 )  30E( X 3 )  40E( X 4 ) 

20  2  10  6  30  3  40  9  550

 V [20 X 1  10 X 2  30 X 3  40 X 4 ]  202  12  102  22  302  32  402  42 

2(20  10   12  20  30   13  20  40   14  10  30   23  10  40   24  30  40   34 )  49,900

Segunda alternativa de Sugerencias: Usando propiedades de valor esperado matricial o vectorial:

 X1 
 
 X2 
La ganancia total es G  20 X 1  10 X 2  30 X 3  40 X 4  (20,10, 30, 40)  AX , aplicando la propiedad
  X3 
 
X 
A

 4
Proposición 2
 
Sea X nx1 vector columna con vector de medias μ X y matriz de varianza covarianza Σ X . Sea Ymx1 otro vector tal
 
que Ymx1  Amxn X nx1  Bmx1 donde Amxn y Bmx1 son no aleatorias.

1
Entonces:

 El vector de medias de Ymx1 es μY  Aμ X  B

 La matriz de varianza covarianza de Ymx1 es ΣY  AΣ X A
T

  X 1   2
    
X  6
G11  E (20,10, 30, 40) 2   EAX  
 AE X   A X  (20,10, 30, 40)   550
 X  3
  3   
X  9
  4   
 4 1 0  1 20   20 
    
  1 16 1 0  10   10 
Σ G11  AΣ X AT  (20,10, 30, 40)    (30,170, 280, 980)   49900
0 1 9 0 30 30
    
 1 0    
 0 25  40   40 
b) Escribiendo las componentes de Y  (Y1 , Y2 , Y3 )  R como un sistema de ecuaciones lineales:
T 3

 X1 
 Y1   2 X 1  1X 2  0 X 3  1X 4   2  1 0  1 
      X 
Y31   Y2    1X 1  1X 2  1X 3  0 X 4    1 1 1 0  2   A34 X 41
 Y   0 X  0 X  2 X  1X   0 0 2  1 X 3 
 3  1 2 3 4  X 
A34
 4
Aplicamos la proposión 2:

 4 1 0  1 2 1 0
 2  1 0  1  
   1 16 1 0   1 1 0
ΣY  AΣ X AT   1 1 1 0  
 0 0 2  1 0 1 9 0  0 1 2
   1 0 0  
 25   1 0  1
 2 1 0
10  18  1  27    65  9 25 
   1 1 0   
  3 16 10  1   9 29 21
1  0 1 2 
 2 18  25    25
 21 61 
  1 0  1
Examinando la matriz ΣY tenemos Cov(Y 1, Y3 )   13  25  0 , la relación es directa, no es inversa

Problema 2
X   X2  XY 
Sea ( X , Y ) v.a. continuo con vector de medias     y matriz de varianza covarianza    .

 Y   XY  Y
2
 
Asuma que las variables miden las rentabilidades de dos acciones A y B respectivamente, que  X  0.1 ,
Y  0.2 , la correlación es  XY  0.25 y que  Y2  4 X2 . Se desea invertir  soles en A y  soles en B de
modo que la ganancia G con esta inversión, tenga valor esperado de 10 soles pero con la menor varianza posible.
¿Existen  y  que satisfagan este deseo?

Sugerencias:
Si G es la ganancia con la inversión e interpretando “ganancia” como la cantidad de dinero adicional obtenido con
la inversión, entonces y se desea determinar y tales que
( ) ( ) ( ) ( ) y ( ) ( ) ( ) ( ) ( )
sea mínima.
La primera condición equivale a , mientras que reemplazando valores en
( ), tenemos

2
 ( ) ( ) ( )
( )

Entonces, debemos minimizar, con respecto a y ,a ( ) ( ) sujetos a

Como en general , minimizar ( ) equivale a minimizar .

El problema es entonces uno de minimización con una restricción:

Minimizar sujeto a la restricción , que se puede resolver para y aplicando
multiplicadores de Lagrange tomando como lagrangiano a ( ) ( )y
aplicando las condiciones usuales de derivadas parciales nulas.
O también, de la restricción se despeja y reemplazando en se llega a
( ) ( ) ( ) que es una función de una variable que se puede minimizar con
la técnica usual de derivar e igualar a cero.

Problema 3
En el problema 1, si X representa las respectivas rentabilidades de 4 tipos de inversiones y Ud. tiene invierte 
unidades monetarias en la primera,  en la segunda, 30 en la tercera y 40 en la cuarta y desea tener un ganancia
similar a la de la parte a) del problema 2 , pero con el menor riesgo posible, o equivalentemente, con la menor
varianza posible ¿Existen  y  que satisfagan este deseo?

Sugerencias:
La ganancia total es G  X 1  X 2  30 X 3  40 X 4 y queremos que E(G)=550 con varianza mínima.
La varianza de G es ( )

Problema 4
Aplicando propiedades del valor esperado:
X  X Y  Y
a) Si U  yV  , pruebe que UV   XY
X Y .
b) Pruebe que en general ( | ) ( | )

Sugerencias:
( )
a) . Trabajando cada parte del cociente anterior por separado:

( ) (( ( )( ( )).
Pero ( ) ( ) (( )) ( ( ) ( )) ( ) y análogamente ( ) .

Luego ( ) ( ) (( )( )) (( )( )) ( )

En cuanto al denominador , calculando varianzas:

(( ( ) ) ( ) (( ) ) ( ( ) ) ⏞(( ) )
Análogamente resulta que .
( )
Reemplazando todo lo anterior en resulta .
b) ( | ) ( | ) ( | ) ( | )

Problema 5
Sea ( X 1 , X 2 ,. X 3 ) v.a en R 3 tal que 0  X i  1 i  1,2,3 y función de densidad conjunta
f X1 X 2 X 3 ( x1 , x 2 ,.x3 )  c . Halle el valor de c y la distribución condicional de X 1 dado ( X 1 , X 2 )

3
Sugerencias:
  1 

   

    
 
1 1 1
 
1 1 1
  
1 1 1
 
1      f X1X 2 X 3 ( x1 , x2 ,. x3 )dx3dx2  dx1      cdx 3dx2 dx1  c     dx3dx2 dx1  c      dx3 dx2 dx1  c
   0 0 0  0 0 0  0  0 0  
  1  
 
Luego f X1X 2 X 3 ( x1 , x2 ,. x3 )  1 0  x1 1, 0  x 2  1, 0  x 2  1 es la especificación final de la función de densidad
conjunta de ( X 1 , X 2 ,. X 3 )
f X1X 2 X 3 ( x1 , x2 ,. x3 ) 1
Por otro lado y por definición f X1|X 2 X 3 ( x1 | x2 , x3 )   . Necesitamos f X 2 X 3 ( x2 , x3 )
f X 2 X 3 ( x2 , x3 ) f X 2 X 3 ( x 2 , x3 )
 1
f X1X 2 X 3 ( x1 , x2 ,. x3 ) 1
 

f X1X 2 X 3 ( x1 , x2 , x3 )dx1   1dx1  1  f X1|X 2 X 3 ( x1 | x2 , x3 ) 
 0
f X 2 X 3 ( x2 , x3 )

1
 1 que especifica
1

f X1|X 2 X 3 ( x1 | x2 , x3 )  1 0  x1  1; 0  x1  1; 0  x1  1.

Problema 6
Sea ( X , Y ) v.a. continuo:
a) Demuestre que EE ( XY | X )  E ( XY )
b) Si U  a  bX b  0 , pruebe que UY   XY

Sugerencias:
 
    
a) E E ( XY | X )   E ( XY | X  x ) f X ( x )dx     xyf Y |X ( y | x )dy  f X ( x )dx 

 
 

  
 E ( XY | X  x ) 
 
 

 
f XY ( x, y )  
 
f XY ( x, y )  
 
f ( x, y ) 
   xy dy f X ( x )dx     xy
 dy  f X ( x )dx     xy XY
  f X ( x )dy dx 

 
f ( x)   
f X ( x)   
f X ( x) 
 X  
 f Y |X ( y | x ) 

 

    xyf XY ( x, y )dy dx  E ( XY )
  
 UY
b) U  a  bX b  0 y por definición UY  . Primero veamos UY  E (U  U )(Y  Y )
U Y
De U  a  bX b  0 , tenemos: U  E (U )  E (a  bX )  a  bE ( X )  a  b X y
U2  E (U  U )2   E (a  bX  a  b X )2   E b2 ( X   X )2   b2 E ( X   X )2   b2 X2
En
UY  E (U  U )(Y  Y )  E (a  bX  a  b X )(Y  Y )  E b( X   X )(Y  Y )  bE ( X   X )(Y  Y )
 b XY y reemplazando en la fórmula de la correlación
 b XY  XY
UY  UY  
   XY
 U  Y | b |  X  Y b0  X  Y

Problema 7
1
Sea ( X , Y ) v.a. discreto con función de probabilidad conjunta PXY ( x, y)  ( x, y)  RXY , donde RXY es el
5
rango de ( X , Y ) . Si RXY  {(2,4), (1,1), (0,0), (1,1), (2,4)} , grafique RXY y diga si habría algún tipo de relación
entre X e Y . Calcule la correlación  XY y diga si podría concluir algo acerca una relación entre X e Y .

4
Sugerencias:
Si RXY  {(2,4), (1,1), (0,0), (1,1), (2,4)} y graficamos las parejas (X,Y) no haremos una idea del comportamento
probabilístico del v.a. (X,Y)
4.5 La relación es no es lineal. Entonces la
correlación debiera ser 0 o cercana a 0
4 X
3.5 Y -2 -1 0 1 2 ( )
3 0 0 0 1/5 0 0 1/5
1 0 1/5 0 1/5 0 2/5
2.5
4 1/5 0 0 0 1/5 2/5
Y

2 ( ) 1/5 1/5 1/5 1/5 1/5 1

1.5
; ( ) ; ( )
1
; ( ) ; ( )
0.5
( ) ∑ ( )
0 ( )
-3 -2 -1 0 1 2 3
( ) y
X √ √
La correlación resulta cero, no hay relación
lineal entre X e Y

Problema 8
Sea ( ) vector aleatorio discreto con función de probabilidad conjunta ( ) ( ) ( )
, donde c es constante. Hallar c y ( ) . Halle Cov(X,Y)

Sugerencias:

∑ *∑ ( )+ ∑ *∑ ( ) ( ) + ∑* ( ) ∑( ) + ∑* ( ) + ∑( )

( ) ∑ ( ) ( ) ∑( )

( ) ( ) , entonces calculando sus partes:

( ) ∑ *∑ ( ) ( ) + ∑ ( ) *∑ ( ) + ∑ ( ) *∑ ( ) +

(∑ ( ) ) (∑ ( ) )

∑ ( ) ( )∑ ( ) ( ) y la sumatoria ∑ ( ) ( ) corresponde a la media o valor esperado en

una distribución geométrica de parámetro y eso vale ∑ ( ) ( ) ; análogamente:
∑ ( ) ( )∑ ( ) ( ) y la sumatoria ∑ ( ) ( ) corresponde a la media o valor esperado en
una distribución geométrica de parámetro y eso vale ∑ ( ) ( ) Por tanto:
( ) (∑ ( ) ) (∑ ( ) ) ; análogamente se obtiene:

( ) ∑ *∑ ( ) ( ) + ∑ ( ) *∑ ( ) + ∑ ( ) [ ] ∑ ( )

5
 ( ) ∑ *∑ ( ) ( ) + ∑ ( ) *∑ ( ) + ∑ ( ) *∑ ( ) + ∑ ( )

, entonces y así ( )

Problema 9
2  9 5 4  2
   
  1  5 8 3 1 
Sea X  R v.a. con vector de medias     y   
4
su matriz de varianza covarianza.
3 4 3 4 0 
   
1  2 0 5 
   1
Sean X 1  ( X 1 , X 2 ) T  R 2 el vector de las dos primeras componentes de X y X 2  ( X 3 , X 4 ) T  R 2 el vector
de las dos siguientes componentes de X

a) Identifique la matriz de covarianzas  X 1 X 2 de X 1  R 2 y X 2  R 2

b) Sean las variables aleatorias Y 1 X 1  2 X 2  X 3 , Y 2 X 3  X 4 e Y 3 X 1  X 2 . Si definimos el v.a.
Y  (Y1 , Y2 , Y3 ) T  R 3 , halle el vector de medias y la matriz de varianza covarianza de Y . Se afirma que
como Y2 e Y3 son funciones de distintas componentes de X  R 4 , entonces son independientes. ¿Sería cierta
esta afirmación? Justifique su respuesta.

Sugerencias:
 9 5  4  2
 X1   
X  X  5 8  3 1 
 2   1
  4  2
X             X         y  X1 X 2   
1 
a)
 X3      3
   2X  4 3  4 0 
 X4   2 1  0 5 

Y1  X 1  2 X 2  X 3 Y1  1X 1  2 X 2  1X 3  0 X 4  X1 
 Y1   1 2 1 0  
    X 2 
b) Y2  X 3  X 4  Y2  0 X 1  0 X 2  1X 3  1X 4   Y2    0 0 1 1  Y  AX
X 
Y3  X 1  X 2 Y3  1X 1  1X 2  0 X 3  0 X 4  Y   1  1 0 0  3 
 3  X 4 
Y A

31 3 4
X 41Y

y por tanto
 2
 1 2 1 0    3 
Y  E Y   E  AX   AE  X   A X  Y   0 0 1 1   1   4  y
 
 1  1 0 0  3   3 
  1   
 
    
Y  E Y  Y Y  Y   E  AX  A X  AX  A X   E A X   X  A X   X  
T T T


E A X   X  X   X 
T
A   AE  X    X    A 
T
 
X  X
T T

X

 9 5 4  2  1 0 1
 1 2 1 0     85 14  1 
  5 8 3 1  2 0  1  
  0 0 1 1      14 9  2  .
 1  1 0 0  4 3 4 0  1 1 0
   1  2 7 
   2 1 0 5  0 1 0  
 
Examinando la matriz Y encontramos  Y2Y3  2  0 , es decir Y2 e Y3 no son independientes.

6
Problema 10
 6 9 5 3 6 3
   
 5 5 7 1 7 0
Sea X  R v.a. con vector de medias   6 y    3
5   1 4 1 4  su matriz de varianza covarianza. Sean
   
 5 6 7 1 8 1
 5 3 0 4 1 5 
  
X 1  ( X 1 , X 2 )T  R 2 el vector de las dos primeras componentes de X y X 2  ( X 3 , X 4 , X 5 )T  R 3 el vector de
las tres siguientes componentes de X .
a) Identifique el vector de medias y la matriz de varianza covarianza de X 1  R 2 . Haga lo mismo con X 2  R 3
b) Identifique la matriz de covarianzas  X 1 X 2 de X 1  R 2 y X 2  R 3
c) Sean las variables aleatorias Y 1 X 1  X 2 e Y 2 X 1  X 2 , donde X 1 y X 2 son las componentes de
X 1  R 2 . Si definimos Y  (Y1 ,Y2 )T  R 2 , halle el vector de
medias y la matriz de varianza covarianza de Y
d) Sea Y 3 X 3  X 5 y defina ahora Z  (Y1 ,Y2 ,Y3 )T  R 3 , con Y1 e Y2 definidas como en c). Halle el vector de
medias y la matriz de varianza covarianza de Z

Sugerencias:
Similar al problema 9.

Problema 11
X  3
Suponga un vector aleatorio U    con vector de medias     y matriz de varianza covarianza
Y   2
 3 2 Z
    . Sea V    donde Z  bX  Y y W  2 X  Y
 2 4 W 
a) Si b=3 halle el vector de medias y la matriz de varianza-covarianza de V
b) ¿Existe b tal que Z y W tienen correlación nula?

Sugerencias:
Z  3X  Y  Z   3 1  X   3 1  3 
a) Si b=3 entonces  V21         V     y V  AAT
W  2X Y W   2  1 Y  2  1 2 

A

Z  bX  Y  Z   b 1  X   b 1  3 2  b 2 
b) En general  V21         V  AAT      y
W  2X Y W   2  1 Y   2  1 2 4  1  1

A

 2
 ZW   b 1  3 2  b 2 
como V   Z
    y  ZW  0   ZW  0 , entonces b debe ser tal que
  ZW  W2   2  1 2 4  1  1
al realizar el producto de matrices ocurran:  Z2  0 y  W2  0 y  ZW  0

Problema 12
Ejercicios 1.1; 1.5; 1.9; 1.38; 1.64 del libro Estadística Inferencial_2014_Flores (en PAIDEIA)

Problema 13
Se lanza una moneda hasta que ocurre cara por tercera vez. Si Xi es el número del lanzamiento en que ocurre cara
por i-ésima vez, halle la distribución conjunta de (X1,X2,X3)

12 de octubre de 2016.
ACG./SAMP.