Alumno : José Luis Fuziwara Mendujano Materia : Probabilidad II Docente : Karem Hernandez Hernandez

Universidad Abierta y a Distancia de México

Licenciatura en Matemáticas

Probabilidad II (MT-MPRO2-1702-B1-002)

Docente en línea: Karem Hernandez Hernandez

Actividad 1 U1 : Videos, Vectores aleatorios

José Luis Fuziwara Mendujano : ES1611309932

Ciudad de México, a 21 de Julio de 2017.

= 0=
 Alumno : José Luis Fuziwara Mendujano Materia : Probabilidad II Docente : Karem Hernandez Hernandez

Actividad 1 U1 : Videos, Distribuciones de probabilidad conjunta (vectores aleatorios)

Sesión con vídeo
Tema
Subtema Conclusiones
Principal
Es de la forma (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) donde 𝑋𝑖 es variable aleatoria.
Ejemplo :(𝑋, 𝑌) es función de Ω en ℛ2 dada por (𝑋, 𝑌)(⍵) = (𝑋(⍵), 𝑌(⍵)). Sea
Vectores ℰ =”Lanzar un dado”, Entonces Ω = {1, … ,6}.
aleatorios. 1 𝑠𝑖 ⍵ 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟, 1 𝑠𝑖 ⍵ ≥ 4,
Sean 𝑋(⍵) = { , 𝑌(⍵) = { Entonces (𝑋, 𝑌) es un vector
0 𝑠𝑖 ⍵ 𝑒𝑠 𝑝𝑎𝑟. 0 𝑠𝑖 ⍵ < 4.
aleatorio discreto con posibles valores : (0,0), (0,1), (1,0), (1,1).
1. Definición : Sea (𝑋, 𝑌) un vector aleatorio discreto con posibles valores en el
conjunto producto. {𝑥1 , 𝑥2 , … , 𝑥𝑛 } ∗ {𝑦1 , 𝑦2 , … , 𝑦𝑛 } ⊆ ℛ2 .
La función de probabilidad de (𝑋, 𝑌) se denota por 𝑓𝑋,𝑌 (𝑥, 𝑦): ℛ2 → ℛ y está definida
por (o 𝑓 (𝑥, 𝑦) y se llama función de probabilidad conjunta de v. 𝑋 𝑦 𝑌) 𝑓𝑋,𝑌 (𝑥, 𝑦) =
( ) {𝑥 }
{𝑃 𝑋 = 𝑥, 𝑌 = 𝑦 𝑠𝑖 (𝑥, 𝑦) ∈ 1 , 𝑥2 , … ∗ {𝑦1 , 𝑦2 , … , 𝑦𝑛 }
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Propiedades 1. 𝑓(𝑥, 𝑦) ≥ 0 2. ∑𝑥 ∑𝑦 𝑓(𝑥, 𝑦) = 1
Otra forma de representar a 𝑓 𝑥, 𝑦) es mediante la siguiente tabla
(
𝑥\𝑦 𝑦1 𝑦2 ... Cálculo de Probabilidades :
( ) ( ) Si A,B ⊆ ℛ entonces
𝑥1 𝑓 𝑥1 , 𝑦1 𝑓 𝑥1 , 𝑦2 . . .
𝑃((𝑋, 𝑌) ∈ 𝐴𝑥𝐵) = 𝑃(𝑋 ∈ 𝐴, 𝑌 ∈ 𝐵)
𝑥2 𝑓 (𝑥2 , 𝑦1 ) 𝑓 (𝑥2 , 𝑦2 ) . . .
= ∑ ∑ 𝑓(𝑥, 𝑦)
Función de ... ... ... 𝑥∈𝐴 𝑦∈𝐵
1.1 Ejemplo : Sea (𝑋, 𝑌) un vector aleatorio discreto con función de probabilidad
probabilidad
Distribuciones y densidad 𝑥\𝑦 1 2 Tenemos, por ejemplo, que :
1 0.5 0.2 1. 𝑃(𝑋 = 1, 𝑌 = 1) = 0.5 2. 𝑃(𝑋 ≥ 1, 𝑌 ≥ 1) = 1
de conjunta
2 0.1 0.2 3. 𝑃(𝑋 < 2) = 0.7
(casos:
probabilidad discreto y 2. Definición : Sea (𝑋, 𝑌) un vector aleatorio continuo. Se dice que la función
conjunta. continuo). integrable y no negativa 𝑓 (𝑥, 𝑦): ℛ2 → ℛ es la función de densidad de (𝑋, 𝑌) si para
“marginal y 𝑥 𝑦
cualquier (𝑥, 𝑦) ∈ ℛ2 , 𝑃 (𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) = ∫−∞ ∫−∞ 𝑓 (𝑢, 𝑣)𝑑𝑣𝑑𝑢. Notación 𝑓𝑋,𝑌 (𝑥, 𝑦) =
condicional”
𝑓 (𝑥, 𝑦) = “Función de densidad conjunta de X y Y”
∞ ∞
Dos propiedades : 1. 𝑓(𝑥, 𝑦) ≥ 0. 2. ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥 = 1.
𝑏 𝑑
Si 𝑎 ≤ 𝑏 y c≤ 𝑑, entonces 𝑃 (𝑎 ≤ 𝑥 ≤ 𝑏, 𝑐 ≤ 𝑦 ≤ 𝑑) = ∫𝑎 ∫𝑐 𝑓 (𝑥, 𝑦)𝑑𝑦𝑑𝑥
Ejemplo : Sea (𝑋, 𝑌) un vector aleatorio continuo con función de densidad
8𝑥𝑦 𝑠𝑖 0 < 𝑥 < 𝑦 < 1,
𝑓 (𝑥, 𝑦) = { El vector (𝑋, 𝑌) toma valores en la región :
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
∞ ∞
Se cumple: a) 𝑓 (𝑥, 𝑦) ≥ 0, 𝑏) ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥 = 1
1 1 1 1 1 1 1
1 1
∫ ∫ 8𝑥𝑦𝑑𝑦𝑑𝑥 = ∫ 8𝑥 ∫ 𝑦𝑑𝑦𝑑𝑥 = ∫ 8𝑥 [ 𝑦 2 ] 𝑑𝑥 = ∫ 8𝑥 (1 − 𝑥 2 )𝑑𝑥
0 𝑥 0 𝑥 0 2 𝑥 0 2
1
2
1 2 1 4 1 1 1 1
= 4 ∫ 𝑥 (1 − 𝑥 )𝑑𝑥 = 4 [ 𝑥 − 𝑥 ] = 4 ( − ) = 4 ( ) = 1
0 2 4 0 2 4 4
Sea (𝑋, 𝑌) un vector aleatorio. Se define 𝐹 (𝑥, 𝑦): ℛ2 → ℛ dada por
Función de 𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝐹 (𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦).
distribución (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) vector aleatorio 𝐹 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ): ℛ𝑛 → ℛ dada por
conjunta. 𝐹 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃 (𝑋1 ≤ 𝑥1 , … , 𝑋𝑛 ≤ 𝑥𝑛 ). Propiedades :

= 1=
Alumno : José Luis Fuziwara Mendujano Materia : Probabilidad II Docente : Karem Hernandez Hernandez

1. lim lim 𝐹 (𝑥, 𝑦) = 1. 2. lim 𝐹 (𝑥, 𝑦) = lim 𝐹 (𝑥, 𝑦) = 0

𝑥→∞ 𝑦→∞ 𝑦→−∞ 𝑥→−∞
3. 𝐹 (𝑥, 𝑦) = 𝐹 (𝑥+, 𝑦) = 𝐹 (𝑥, 𝑦 +). 4.Si 𝑥1 ≤ 𝑥2 , 𝐹(𝑥1 , 𝑦) ≤ 𝐹(𝑥2 , 𝑦),
𝑦1 ≤ 𝑦2 , 𝐹(𝑥, 𝑦1 ) ≤ 𝐹(𝑥, 𝑦2 ).5.Si 𝑎 ≤ 𝑏, 𝑐 ≤ 𝑑, 𝐹(𝑏, 𝑑) − 𝐹(𝑎, 𝑑) − 𝐹(𝑏, 𝑐) + 𝐹(𝑎, 𝑐) ≥ 0
Definición : Sea (𝑋, 𝑌) un vector aleatorio discreto con f. de prob. 𝑓(𝑥, 𝑦).
La función de probabilidad marginal de X es 𝑓𝑋 (𝑥) = ∑𝑦 𝑓(𝑥, 𝑦) y la f. de prob. marginal de Y
es 𝑓𝑌 (𝑦) = ∑𝑥 𝑓(𝑥, 𝑦). Para el vector (X,Y,Z) 𝑓𝑋 (𝑥) = ∑𝑦 ∑𝑧 𝑓(𝑥, 𝑦, 𝑧). y también 𝑓𝑋,𝑌 (𝑥, 𝑦) =
∑𝑧 𝑓(𝑥, 𝑦, 𝑧). Ejemplo: Sea (𝑋, 𝑌) un vector aleatorio discreto con función de probabilidad

𝑥\𝑦 1 2 0.7 𝑠𝑖 𝑥 = 1, 0.6 𝑠𝑖 𝑦 = 1,

Entonces 𝑓𝑋 (𝑥) = ∑𝑦 𝑓(𝑥, 𝑦) = { 0.3 𝑠𝑖 𝑥 = 2, 𝑓𝑌 (𝑦) = ∑𝑥 𝑓(𝑥, 𝑦) = { 0.4 𝑠𝑖 𝑦 = 2,
1 0.5 0.2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
2 0.1 0.2
Sea (𝑋, 𝑌) un vector aleatorio continuo con función de densidad 𝑓(𝑥, 𝑦). La función de
Función de ∞
densidad marginal de X es la función 𝑓𝑋 (𝑥) = ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑦, y lo de la variable Y es
probabilidad ∞
𝑓𝑌 (𝑦) = ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥. Ejemplo para el vector (X,Y,Z), tenemos 𝑓𝑋 (𝑥) =
y densidad ∞ ∞ ∞
marginal. ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑦𝑑𝑧, 𝑓𝑋,𝑌 (𝑥, 𝑦) = ∫−∞ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑧, etcétera.
Ejemplo Nuevamente (𝑋, 𝑌) un vector aleatorio continuo con función de densidad
8𝑥𝑦 𝑠𝑖 0 < 𝑥 < 𝑦 < 1,
𝑓 (𝑥, 𝑦) = { Calcularemos 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦).
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
1
Para 0 < 𝑥 < 1 fijo, 𝑓𝑋 (𝑥) = ∫𝑥 8𝑥𝑦𝑑𝑦 = [4𝑥𝑦2 ]1𝑥 = 4𝑥(1 − 𝑥2 ). Por lo tanto
4𝑥(1 − 𝑥2 ) 𝑠𝑖 0 < 𝑥 < 1,
𝑓𝑋 (𝑥) = {
𝑦
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Para 0 < 𝑦 < 1 fijo, 𝑓𝑌 (𝑦) = ∫0 8𝑥𝑦𝑑𝑥 = [4𝑦𝑥2 ]𝑦0 = 4𝑦3 . Por lo tanto
𝑓𝑌 (𝑦) = {
4𝑦3 𝑠𝑖 0 < 𝑦 < 1,
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Sea (𝑋, 𝑌) un vector aleatorio, 𝐹 (𝑥, 𝑦) función de distribución de (𝑋, 𝑌)
Se define 𝐹𝑋 (𝑥) = lim 𝐹 (𝑥, 𝑦) marginal, 𝐹𝑌 (𝑦) = lim 𝐹 (𝑥, 𝑦) marginal
𝑦→∞ 𝑥→∞
(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) vector aleatorio, 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) función de distribución
Función de 𝐹𝑋1 (𝑥1 ) = lim … lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ). Ejemplo 1 (ejemplo 2, de [20-24]m )
𝑥2 →∞ 𝑥𝑛 →∞
distribución 0 𝑠𝑖 𝑥 < 1, 𝑦 < 1,
marginal. 1/4 𝑠𝑖 1 ≤ 𝑥 < 2, 1 ≤ 𝑦 < 2, 0 𝑠𝑖 𝑥 < 1,
1
𝐹(𝑥, 𝑦) = 1/2 𝑠𝑖 1 ≤ 𝑥 < 2, 𝑦 ≥ 2, 𝐹𝑋 (𝑥) = lim 𝐹(𝑥, 𝑦) = { 𝑠𝑖 1 ≤ 𝑥 < 2,
2
1/2 𝑠𝑖 1 ≤ 𝑦 < 2, 𝑥 ≥ 2, 𝑦→∞
1 𝑠𝑖 𝑥 ≥ 2,
{ 1 𝑠𝑖 𝑥 ≥ 2, 𝑦 ≥ 2,
𝐹𝑌 (𝑦) = lim 𝐹(𝑥, 𝑦) = 𝐹𝑋 (𝑥), pero con y’s.
𝑦→∞
Definición. Sea (𝑋, 𝑌) un vector aleatorio discreto con función de probabilidad 𝑓(𝑥, 𝑦).
Sea 𝑓𝑌 (𝑦) la correspondiente f. de probabilidad marginal de Y, y sea 𝑦 ∈ ℛ tal que
𝑓𝑌 (𝑦) ≠ 0. A la función 𝑥 → 𝑓𝑋|𝑌 (𝑥|𝑦) se le llama función de probabilidad condicional
𝑓𝑋|𝑌 (𝑥|𝑦)
de X dado Y= 𝑦 y se tiene como 𝑓𝑋|𝑌 (𝑥|𝑦) = 𝑓𝑌 (𝑦)
. Ejemplo
Sea nuevamente (𝑋, 𝑌) un v.a. discreto con f. de probabilidad
𝑥\𝑦 1 2 0.6 𝑠𝑖 𝑦 = 1,
Función y Sabemos 𝑓𝑌 (𝑦) = { 0.4 𝑠𝑖 𝑦 = 2, Calculemos 𝑓𝑋|𝑌 (𝑥|𝑦) para 𝑦 = 1,2.
1 0.5 0.2 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
distribución
2 0.1 0.2
condicional. 0.5/0.6 𝑠𝑖 𝑥 = 1, 0.2/0.4 𝑠𝑖 𝑥 = 1,
𝑓𝑋,𝑌 (𝑥,1) 𝑓 (𝑥,2) 1/2 𝑠𝑖 𝑥 = 1,2,
𝑓𝑋|𝑌 (𝑥|𝑦 = 1) = = {0.1/0.6 𝑠𝑖 𝑥 = 2, 𝑓𝑋|𝑌 (𝑥|𝑦 = 2) = 𝑋,𝑌 = {0.2/0.4 𝑠𝑖 𝑥 = 2, = {
𝑓𝑌 (1) 𝑓𝑌 (2) 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑓𝑋|𝑌 (𝑥|𝑦)
Definición. A la función 𝑥 → 𝑓𝑋|𝑌 (𝑥|𝑦) definida como 𝑓𝑋|𝑌 (𝑥|𝑦) = 𝑓 (𝑦) , con 𝑓𝑌 (𝑦) ≠ 0
𝑌
Se le llama función de densidad condicional de X dado 𝑌 = 𝑦.
Ejemplo
Sea (𝑋, 𝑌) un vector aleatorio continuo con función de densidad

= 2=
 Alumno : José Luis Fuziwara Mendujano Materia : Probabilidad II Docente : Karem Hernandez Hernandez

8𝑥𝑦 𝑠𝑖 0 < 𝑥 < 𝑦 < 1,

𝑓 (𝑥, 𝑦) = { encontramos que
0 2 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
𝑓𝑋 (𝑥) = {
4𝑥(1 − 𝑥 ) 𝑠𝑖 0 < 𝑥 < 1, 𝑓 (𝑦) = { 4𝑦
3
𝑠𝑖 0 < 𝑦 < 1, calculemos 𝑓 (𝑥|𝑦) y 𝑓 (𝑦|𝑥).
𝑌 𝑋|𝑌 𝑌|𝑋
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜. 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
8𝑥𝑦 2𝑥
𝑓𝑋|𝑌 (𝑥|𝑦) 𝑠𝑖 0 < 𝑥 < 𝑦 < 1, 2 𝑠𝑖 0 < 𝑥 < 𝑦 < 1,
1. Para 0 < 𝑦 < 1 fijo, 𝑓𝑋|𝑌 (𝑥|𝑦) = 3
= { 4𝑦 {𝑦
𝑓𝑌 (𝑦)
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜. 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

8𝑥𝑦 2𝑥
𝑓𝑋|𝑌 (𝑥|𝑦) 𝑠𝑖 0 < 𝑥 < 𝑦 < 1,
2. Para 0 < 𝑥 < 1 fijo, 𝑓𝑌|𝑋 (𝑦|𝑥) = = {4𝑥(1−𝑥 ) 3
{1−𝑥 𝑦 𝑠𝑖 0 < 𝑥 < 𝑦 < 1,
2
𝑓𝑋 (𝑥)
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜. 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

Sea (𝑋, 𝑌) un vector discreto 𝑥 → 𝑓𝑋|𝑌 (𝑥|𝑦) = 𝑃(𝑋 = 𝑥|𝑌 = 𝑦).

Se define la función de distribución condicional 𝑥 → 𝐹𝑋|𝑌 (𝑥|𝑦) = ∑𝑢≤𝑥 𝑓𝑋|𝑌 (𝑢|𝑦).
𝑥
Cuando (𝑋, 𝑌 ) es continuo, 𝑥 → 𝐹𝑋|𝑌 (𝑥|𝑦) = ∫−∞ 𝑓𝑋|𝑌 (𝑢|𝑦)𝑑𝑢.
Independencia de variables aleatorias 𝑋1 , 𝑋2 , … , 𝑋𝑛 variables aleatorias
𝐹𝑋1 ,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) conjunta 𝐹𝑋1 (𝑥1 ), … , 𝐹𝑋𝑛 (𝑥𝑛 ) marginal.
Las Variables 𝑋1 , 𝑋2 , … , 𝑋𝑛 son independientes si 𝐹𝑋1 ,..,𝑋𝑛 (𝑥1 , … , 𝑥𝑛 ) = 𝐹𝑋1 (𝑥1 ), … , 𝐹𝑋𝑛 (𝑥𝑛 )
para 𝑥1 , 𝑥2 , … , 𝑥𝑛 ∈ ℛ. Equivalentemente, 𝑓𝑋1 ,..,𝑋𝑛 (𝑥1 , … , 𝑥𝑛 ) = 𝑓𝑋1 (𝑥1 ), … , 𝑓𝑋𝑛 (𝑥𝑛 ). En
Generalizaci particular 𝑃(𝑋1 = 𝑥1 , … , 𝑋𝑛 = 𝑥𝑛 ) = 𝑃(𝑋1 = 𝑥1 ), … , 𝑃(𝑋𝑛 = 𝑥𝑛 ).
ón de Ejemplo 1. (𝑋, 𝑌) discreto con f. de probabilidad:
independenci
𝑥\𝑦 0 1 𝑥 0 1 𝑦 0 1 𝑃(𝑋 = 0, 𝑌 = 0) = 0.5
a de 𝑃(𝑋 = 0)𝑃(𝑌 = 0) = 0.7 ∗ 0.6 = 0.42
0 0.5 0.2 𝑓(𝑥) 0.7 0.3 𝑓(𝑦) 0.6 0.4
variables
aleatorias. 1 0.1 0.2 Por lo tanto, X y Y no son independientes.
Ejemplo 2. (𝑋, 𝑌) continua y
(1 − 𝑒 −𝑥 )(1 − 𝑒 −𝑦 ) 𝑠𝑖 𝑥, 𝑦 > 0, 1 − 𝑒 −𝑥 𝑠𝑖 𝑥 > 0, 1 − 𝑒 −𝑦 𝑠𝑖 𝑦 > 0,
𝐹𝑋,𝑌 (𝑥, 𝑦) = { 𝐹𝑋 (𝑥) = { 𝐹𝑌 (𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Para cualquier 𝑥, 𝑦 ∈ ℛ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝐹𝑋 (𝑥)𝐹𝑌 (𝑦). Por lo tanto X y Y son independientes.
Las variables 𝑋1 , 𝑋2 , … son independientes si cualquier colección finita de ellas lo es.
Definiciones
1.𝐸(𝑋, 𝑌) = (𝐸(𝑋), 𝐸(𝑌)).
𝑡
2. 𝑉𝑎𝑟(𝑋, 𝑌) = 𝐸((𝑋, 𝑌) − (𝐸(𝑋), 𝐸(𝑌)) ((𝑋, 𝑌) − (𝐸(𝑋), 𝐸(𝑌)) = 𝐸 (𝑋−𝐸(𝑋)
𝑌−𝐸(𝑌)
) (𝑋 − 𝐸(𝑋), 𝑌 − 𝐸(𝑌)) =
(𝑋−𝐸(𝑋))2 (𝑋−𝐸(𝑋))(𝑌−𝐸(𝑌))
Esperanza, = 𝐸 ( (𝑌−𝐸(𝑌))(𝑋−𝐸(𝑋)) (𝑌−𝐸(𝑌))2
) = (𝑉𝐴𝑅(𝑋)
𝐶𝑂𝑉(𝑌,𝑋)
𝐶𝑂𝑉(𝑋,𝑌)
𝑉𝐴𝑅(𝑌)
) = (𝐶𝑂𝑉(𝑋,𝑋)
𝐶𝑂𝑉(𝑌,𝑋)
𝐶𝑂𝑉(𝑋,𝑌)
𝐶𝑂𝑉(𝑌,𝑌)
).
Varianza Observaciones
(matriz) y a) 𝑉𝑎𝑟(𝑋, 𝑌) es una matriz simétrica, i.e. (𝑉𝑎𝑟(𝑋, 𝑌))𝑖𝑗 = (𝑉𝑎𝑟(𝑋, 𝑌))𝑗𝑖 .
Covarianza b) 𝑆𝑖 𝑋 𝑦 𝑌 son independientes, 𝑉𝑎𝑟(𝑋, 𝑌) = (𝑉𝑎𝑟(𝑋) 0
)
0 𝑉𝑎𝑟(𝑌)
de un vector
aleatorio. c) 𝑃𝑎𝑟𝑎 (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) se define 𝑉𝑎𝑟(𝑋1, 𝑋2 , … , 𝑋𝑛 ) = (𝐶𝑂𝑉(𝑋𝑖 , 𝑋𝑗 ))𝑛𝑖,𝑗=1
1.2. d) 𝑉𝑎𝑟(𝑋, 𝑌) es una matriz positiva definida, i.e., para cualquier (𝑎, 𝑏) ∈ ℛ 2, (𝑎, 𝑏)𝑉𝑎𝑟(𝑋, 𝑌)(𝑎𝑏) ≥ 0
Momentos. Demostración
(𝑎, 𝑏) (𝑉𝐴𝑅 (𝑋) 𝐶𝑂𝑉(𝑋,𝑌) 𝑎
)
𝐶𝑂𝑉(𝑌,𝑋) 𝑉𝐴𝑅(𝑌) (𝑏 )
= (𝑎, 𝑏) (𝑎𝑎 𝑉𝐴𝑅 (𝑋)+𝑏 𝐶𝑂𝑉(𝑋,𝑌)
𝐶𝑂𝑉 (𝑌,𝑋)+𝑏 𝑉𝐴𝑅(𝑌)
)=
𝑎2 𝑉𝑎𝑟(𝑋) + 2𝑎𝑏𝐶𝑂𝑉(𝑋, 𝑌) + 𝑏 2 𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝑎𝑋) + 2𝐶𝑂𝑉(𝑎𝑋, 𝑏𝑌) + 𝑉𝑎𝑟(𝑏𝑌) = 𝑉𝑎𝑟(𝑎𝑋 + 𝑏𝑌) ≥ 0
Coeficiente
de No hay video para este subtema sólo lectura teórica.
correlación.
𝜎2
Desigualdad Sea 𝑋 v.a.con 𝐸 (𝑋) = 𝜇, 𝑉𝑎𝑟(𝑋) = 𝜎 2 para 𝜀 > 0, 𝑃(|𝑋 − 𝜇| ≥ 𝜀) ≤ 𝜀2
de Demostración :
Chébyshev. 𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 𝐸[(𝑋 − 𝜇)2 | (|𝑋 − 𝜇| ≥ 𝜀) + [(𝑋 − 𝜇)2 | (|𝑋 − 𝜇| < 𝜀)] =
= 𝐸[(𝑋 − 𝜇)2 | (|𝑋 − 𝜇| ≥ 𝜀)] + 𝐸[[(𝑋 − 𝜇)2 | (|𝑋 − 𝜇| < 𝜀)]

= 3=
Alumno : José Luis Fuziwara Mendujano Materia : Probabilidad II Docente : Karem Hernandez Hernandez

≥ 𝐸[(𝑋 − 𝜇)2 | (|𝑋 − 𝜇| ≥ 𝜀)] ≥ 𝜀 2 𝐸[| (|𝑋 − 𝜇| ≥ 𝜀)] = 𝜀 2 𝑃(|𝑋 − 𝜇| ≥ 𝜀).

Ejemplo :
𝑋~𝑁(0,1), 𝜀 = √2 𝑃 (|𝑋 − 𝜇| ≥ 𝜀) = 𝑃(|𝑋| ≥ √2) = 0.15854
𝜎2 1
𝜀2
= 2 = 0.5 Ver Fig.1.

𝑋 ∈ {0,1,2, … } Se define 𝐺 (𝑡) = 𝐸 (𝑡 𝑥 ) = ∑∞ 𝑥

𝑥=0 𝑡 𝑃(𝑋 = 𝑥) para |𝑡| ≤ 1. 𝐺𝑋 (𝑡) = 𝐺 (𝑡)
Ejemplo :
1 𝑥+1
𝑋 discreta con f. de prob. 𝑓 (𝑥) = { (2) 𝑠𝑖 𝑥 = 0,1,2, … Entonces,
Función 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
generadora 𝑥 ∞ 𝑥 1 𝑥+1 1 ∞ 𝑡 𝑥 1 1−0 1 𝑡
𝐺 (𝑡) = 𝐸(𝑡 ) = ∑𝑥=0 𝑡 ( ) = ∑𝑥=0 ( ) = (
2 2
)=
2
si | | < 1.
2 1−𝑡/2 2−𝑡 2
de
momentos. Propiedades :
1. 𝐺 (𝑘) (0) = 𝑘! 𝑃(𝑋 = 𝑘) 𝑘 = 0,1,2, …
2. 𝐺 (𝑘) (1 −) = 𝐸[𝑋(𝑋 − 1) … (𝑋 − 𝑘 + 1)] 𝑝𝑎𝑟𝑎 𝑘 = 0,1,2, …
3.𝑋, 𝑌 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 ⇒ 𝐺𝑋+𝑌 (𝑡) = 𝐺𝑋 (𝑡)𝐺𝑌 (𝑡).
4. 𝐺𝑋 (𝑡) = 𝐺𝑌 (𝑡) 𝑝𝑎𝑟𝑎 |𝑡| ≤ 1 ⇒ 𝑋, 𝑌 tienen la misma distribución de probabilidad.

Referencias :
1. Durrett, Richard (2005) Probability: theory and examples. Thomson.
2. Feller, W. (1971). An introduction to Probability Theory and Its Applications. Vol. 2. John Wiley & Sons, New York.
3. Karr, Alan (1993) Probability. Springer.
4. Meester, R. (2008). A Natural Introduction to Probability Theory. Birkhauser, Berlin.
5. Meyer, P. L. (1972). Introductory Probability and Statistical Applications. Addison-Wesley, Massachusetts.
6. Ross, S. (2007). Introduction to Probability Models. Academic Press, San Diego.
7. Soong, T. T. (2004). Fundamentals of Probability and Statistics for Engineers. John Wiley & Sons Ltd.
8. Material del curso de la Unadm.
9. https://www.youtube.com/watch?v=FsoqoIfVjvc

10. https://www.youtube.com/watch?v=GWOdH2Hw6k0

11. https://www.youtube.com/watch?v=vk_Ho2Nm45Q

12. https://www.youtube.com/watch?v=War8a8cpu2Q

13. https://www.youtube.com/watch?v=CiFZqcKXixA

14. https://www.youtube.com/watch?v=omEnXNO4nuI

15. https://www.youtube.com/watch?v=lD7NGyjl2AU

https://www.youtube.com/watch?v=2-XoyqionxM
16.

= 4=