Clase del 3 de julio del 2021

1 Vectores aleatorio

Definición 1. Un vector X  = (X1;:::; Xn) cuya componentes son vectores aleatorios

definidos en un mismo espacio de probabilidad (
; A; P ) se llama vector aleatorio
(o variable aleatoria n-dimensional).

La función de distribución F = FX = FX1; : : : ;Xn de un vector aleatorio se define como

F (x) = F (x1; : : : ; xn) = P (X1 6 x1; : : : ; Xn 6 xn); 8(x1; : : : ; xn) 2 Rn:

F también se llama función de distribución conjunta de las variables aleatorias X1;:::;

Xn.

Notemos que una variable aleatoria es una función X:

! R, entonces un vector
 :
! Rn.
aleatorio es una función X

1.1 Propiedades de FX

F1. F (x1; : : : ; xn) es no decreciente en cada una de sus variables. Por ejemplo en la
variable xi tomemos a < b entonces

F (x1; : : : ; xi¡1; a; xi+1; : : : ; xn) 6 F (x1; : : : ; xi¡1; b; xi+1; : : : ; xn):

F2. F (x1;:::; xn) es continua por la derecha en cada una de las variables. Por ejemplo
en la variable xi, si yk #a cuando k ! 1, entonces

F (x1; : : : ; xi¡1; yk ; xi+1; : : : ; xn)#F (x1; : : : ; xi¡1; a; xi+1; : : : ; xn) cuando k ! 1:

F3. Para todo i,

lim F (x1; : : : ; xn) = 0:

xi !¡1

También,

lim F (x1; : : : ; xn) = 1:

8i;xi !+1

(Este es el límite cuando todas las coordenadas tienden simultáneamente a +1.)

1
Demostración. Como en el caso unidimensional. Solamente la propiedad F3 es un
tanto diferente. Es importante notar que si i está fijo, entonces

[X1 6 x1; : : : ; Xi¡1 6 xi¡1; Xi 6 ¡m; Xi+1 6 xi+1; : : : ; Xn 6 xn]#;

cuando m ! 1, para todo (x1; : : : ; xi¡1; xi+1; : : : ; xn). Pero

[X1 6 x1; : : : ; Xi¡1 6 xi¡1; Xi 6 m; Xi+1 6 xi+1; : : : ; Xn 6 xn]"

[X1 6 x1; : : : ; Xi¡1 6 xi¡1;; Xi+1 6 xi+1; : : : ; Xn 6 xn]

cuando m! 1. En otras palabras, cuando xi ! +1 FX1; : : : ;Xn converge a la función

de distribución conjunta de las n ¡ 1 variables aleatorias X1; : : : ; Xi¡1; Xi+1; : : : ; Xn.
Finalmente, cuando todas las xi convergen simultáneamente a +1 (i.e., xi ! +1
8i), entonces el evento
n
\
[Xi 6 xi]
i=1

converge al evento cierto

, y F (x1; : : : ; xn) converge a 1. 

Para n > 2, las propiedades F1,F2 y F3 no son suficientes para que F sea una función
de distribución.

Ejemplo 1. Una función F0: R2 ! R que satisface F1,F2 y F3 pero no es la función

de distribución de un vector aleatorio (X ; Y ). Sea F0 la siguiente función definida
en el plano:

1 si x > 0; y > 0 y x + y > 1;
F0(x; y) =
0 en caso contrario.

F0(x; y) = 1

F0(x; y) = 0

Figura 1. Superficie de nivel de F0

2
Está claro que las propiedades F1,F2 y F3 son satisfechas. Pero F0 no es la función
de distribución de ningún vector aleatorio (X ; Y ). Si lo fuese entonces tendríamos
una contradicción.
()
0 6 P (0 < X 6 1; 0 < Y 6 1) = F0(1; 1) ¡ F0(1; 0) ¡ F0(0; 1) + F0(0; 0)
= 1¡1¡1+0
= ¡1:

Para probar que la ecuación () se cumple, basta notar que cuando F0 es la función
de distribución de un vector aleatorio (X ; Y ), se tiene

F (1; 1) = P (X 6 1; Y 6 1):
F (1; 1) ¡ F (1; 0) = P (X 6 1; Y 6 1) ¡ P (X 6 1; Y 6 0)
= P (X 6 1; 0 < Y 6 1)
F (0; 1) ¡ F (0; 0) = P (X 6 0; Y 6 1) ¡ P (X 6 0; Y 6 0)
= P (X 6 0; 0 < Y 6 1):

y finalmente,

F (1; 1) ¡ F (1; 0) ¡ F (0; 1) + F (0; 0) = P (X 6 1; 0 < Y 6 1) ¡ P (X 6 0; 0 < Y 6 1)

= P (0 < X 6 1; 0 < Y 6 1):

De hecho, si a1 < b1; a2 < b2 y F es la función de distribución de (X ; Y ), entonces

tenemos,

0 6 P (a1 < X 6 b1; a2 < Y 6 b2)

= F (b1; b2) ¡ F (b1; a2) ¡ F (a1; b2) + F (a1; a2):

Podemos describir esta propiedad por medio de operadores de diferencia.

En efecto, para I = (a; b] y g: Rk ! R definamos

k;Ig(x1; : : : ; xk) = g(x1; : : : ; xk ¡1; b) ¡ g(x1; : : : ; xk¡1; a):

La propiedad, entonces, es la siguiente, cuando F es la función de distribución del

vector aleatorio (X ; Y ): si I1 = (a1; b1] e I2 = (a2; b2], entonces

1;I1
2;I2F (x; y) =
1;I1[F (x; b2) ¡ F (x; a2)]

= F (b1; b2) ¡ F (b1; a2) ¡ [F (a1; b2) ¡ F (a1; a2)] > 0:

Para n general, la nueva propiedad es:

F4.
1;I1 : : :
n;InF (x1; : : : ; xn) > 0; 8Ik = (ak ; bk]; ak < bk ; k = 1; : : : ; n:

3
Esta propiedad no es más que la formulación, por medio de la función de distribución
F , de la propiedad P (a1 < X1 6 b1; : : : ; an < Xn 6 bn) > 0. Sucede que una función
que satisface F1,F2,F3 y F4 es realmente la función de distribución de una vector
aleatorio, i.e., las cuatro propiedades son suficientes para caracterizar a las funciones
de distribución.

Definición 2. Una función F : Rn ! R que satisface las propiedades F1,F2,F3 y F4

se llama función de distribución n-dimensional (o n-variada).

Los tipos discreto y absolutamente continuo tienen los siguientes análogos en el caso
multivariado:

Definición 3. Si el vector aleatorio (X1; : : : ; Xn) toma solamente un número finito

o numerable de valores, se llama discreto.
Sea (X1; : : : ; Xn) un vector aleatorio y F su función de distribución.
Si existe una función f (x1; : : : ; xn) > 0 tal que
Z xn Z x1
F (x1; : : : ; xn) = ::: f (t1; : : : ; tn)dt1 : : :dtn; 8(x1; : : : ; xn) 2 Rn:
¡1 ¡1

entonces f se llama densidad del vector aleatorio (X1; : : : ; Xn), o densidad conjunta
de las variables aleatorias X1; : : : ; Xn, y en este caso, decimos que (X1; : : : ; Xn) es
(absolutamente) continuo.

2 Independencia
Definición 4. Las variables aleatorias X1; : : : ; Xn son (colectivamente) indepen-
dientes si
n
Y
P (X1 2 B1; X2 2 B2; : : : ; Xn 2 Bn) = P (Xi 2 Bi) 8Bi 2 B; i = 1; : : : ; n:
i=1

Proposición 1. (Criterio de independencia)

a) Si X1; : : : ; Xn son independientes, entonces

n
Y
FX1; : : : ;Xn(x1; : : : ; xn) = Fi(xi); 8(x1; : : : ; xn) 2 Rn:
i=1

b) Recíprocamente, si existen funciones F1; : : : ; Fn tales que

lim Fi(x) = 1 para todo i

x!+1

4
 y
n
Y
FX1; : : : ;Xn(x1; : : : ; xn) = FXi(xi); 8(x1; : : : ; xn) 2 Rn;
i=1

entonces X1; : : : ; Xn son independientes y Fi = FXi, 8i = 1; : : : ; n.

Demostración.

a) Supongamos que X1; : : : ; Xn son independientes. Entonces

FX1; : : : ;Xn(x1; : : : ; xn) = P (X1 6 x1; : : : ; Xn 6 xn)

= P (X1 2 (¡1; x1]; : : : ; Xn 2 (¡1; xn])
Yn
= P (Xi 2 (¡1; xi])
i=1
Yn
= P (Xi 6 xi)
i=1
n
Y
= FXi(xi)
i=1

para todo (x1; : : : ; xn) 2 Rn.

b)

FXi(xi) = P (Xi 6 xi)

= lim P (X1 6 m; : : : ; Xi¡1 6 m; Xi 6 xi; Xi+1 6 m; : : : ; Xn 6 m)
m!+1
= lim FX1; : : : ;Xn(m; : : : ; m; xi; m; : : : ; m):
m!+1

Por hipótesis del ítem (b), tenemos entonces

i¡1 n
!
Y Y
FXi(xi) = lim Fj (m)Fi(xi) Fj (m) = Fi(xi)
m!1
j =1 j=i+1
ya que

lim Fj (m) = 1:
m!1

Luego Fi es la función de distribución de Xi (Fi = FXi). Terminamos la demos-

tración con Teoría de la Medida. La idea de la demostración: queremos ver
que
n
Y
P (X1 2 B1; : : : ; Xn 2 Bn) = P (Xi 2 Bi); 8Bi 2 B:
i=1

5
 Acabamos de probar que

n
Y
FX1; : : : ;Xn(x1; : : : ; xn) = Fi(xi);
i=1

i.e., vale el resultado si los Bi son del tipo (¡1; xi]. Vamos a verificarlo ahora
para Bi = (ai; bi]:

P (X1 2 B1; : : : ; Xn 2 Bn) = P (a1 < X1 6 b1; : : : ; an < Xn 6 bn)

=
1;I1 : : :
n;InF (x1; : : : ; xn)
=
1;I1 : : :
n;In(FX1(x1): : :FXn(xn))
= [FX1(b1) ¡ FX1(a1)] 


 [FXn(bn) ¡ FXn(an)]
Yn
= P (ai < Xi 6 bi)
i=1
n
Y
= P (Xi 2 Bi):
i=1

Ya que cualquier intervalo es límite de intervalos del tipo (a; b], el resultado
es válido si los Bi son intervalos cualesquiera. Por aditividad, vale si los Bi
son uniones finitas de intervalos. 

Proposición 2. (Criterio de independencia para el caso continuo).

a) Si X1; : : : ; Xn son independientes y poseen densidades fX1; : : : ; fXn, entonces

la función
n
Y
f (x1; : : : ; xn) = fXi(xi); (x1; : : : ; xn) 2 Rn;
i=1

es la densidad de las variables aleatorias X1; : : : ; Xn, i.e., f = fX1; : : : ;Xn.

b) Recíprocamente, si X1; : : : ; Xn tienen densidad conjunta f que satisface

n
Y
f (x1; : : : ; xn) = fi(xi); 8(x1; : : : ; xn) 2 Rn;
i=1

R1
donde fi(x) > 0 y ¡1 fi(x)dx = 1; 8i; entonces X1;:::; Xn son independientes
y fi es la densidad de Xi, para i = 1; : : : ; n.

6
Demostración.

a) Si X1; : : : ; Xn son independientes, entonces

n
Y
FX1; : : : ;Xn(x1; : : : ; xn) = FXi(xi)
i=1
Yn Z xi
= fXi(ti)dti
i=1 ¡1
Z x1 Z x2 Z xn
= fX1(t1)dt1 fXi(t2)dt2 : : : fXn(tn)dtn
¡1 ¡1 ¡1
Z x1 Z x2 Z xn
= fX1(t1)fXi(t2)dt1dt2 : : : fXn(tn)dtn
¡1 ¡1 ¡1
Z xn Z x1
= ::: fX1(t1): : :fXn(tn)dt1 : : :dtn
¡1 ¡1
Z xn Z x1 Y n
!
= ::: fXi dt1 : : :dtn:
¡1 ¡1 i=1
Qn
Luego f
i=1 Xi
es la densidad conjunta de X1; : : : ; Xn.

b)
Z xn Z x1
FX1; : : : ;Xn(x1; : : : ; xn) = ::: f(t1; : : : ; tn)dt1 : : :dtn
¡1 ¡1
Z xn Z x1 Y
n
= ::: fi(xi)dt1 : : :dtn
¡1 ¡1 i=1
n Z
Y xi
= fi(ti)dti:
i=1 ¡1
Yn
= Fi(xi)
i=1
R xi
Definiendo Fi(xi) = ¡1 fi(ti)dti, tenemos, por hipótesis, lim xi!+1Fi(xi) = 1.
Por un resultado anterior esto implica que X1; : : : ; Xn son independientes y
Fi = FXi, luego fi es la densidad de Xi.

Ejemplo 2. Decimos que el vector aleatorio (X ; Y ) posee distribución normal

bivariada cuando tiene densidad dada por
     
1 1 x ¡ 1 2 x ¡ 1 y ¡ 2
f (x; y) = p exp ¡ ¡ 2 +
212 1 ¡ 2 2(1 ¡ 2) 1 1 2
 2 
y ¡ 2
2

7
donde 1 > 0; 2 > 0; ¡1 <  < 1; 1 2 R; 2 2 R.
Si  = 0, entonces la densidad factoriza:
   
1 (x ¡ 1)2 1 (y ¡ 2)2
f (x; y) = p exp ¡ :p exp ¡ :
2 1 212 2 2 222

Por lo tanto por un resultado anterior, si  = 0 entonces X e Y son independientes

y X  N (1; 12); Y  N(2; 22).
Si  =
/ 0, entonces X e Y no son independientes, pues su densidad conjunta no es el
producto de las densidades marginales (i.e. f =
/ fXfY ). En efecto, vamos a calcular
las densidades de X e Y , usando la siguiente

Proposición 3.

a) Si F (x; y) es la función de distribución conjunta de X e Y, entonces la fun-

ción de distribución de X es

FX (x) = lim F (x; y) := F (x; +1):

y!+1

FX obtenida así se llama función de distribución marginal de X.

b) Si f (x; y) es la densidad conjunta de X e Y, entonces X tiene densidad dad

por
Z 1
fX (x) = f (x; y)dy:
¡1

fX así obtenida se llama densidad marginal de X.

Demostración. El ítem (a) ya fue verificado en la demostración

R 1 de la propiedad F3.
La verificación de ítem (b) depende de verificación de que ¡1 f (x; y)dy satisface
la definición de densidad de X. 

Volviendo al ejemplo, vamos a calcular la densidad marginal de X, i.e.,

Z 1
fX (x) = f (x; y)dy:
¡1

Sacando fuera de la integral los factores que no depende de y,y completando el

cuadrado del exponente restante, tenemos
 
1 (x ¡ 1)2
fX (x) = p exp ¡ 
212 1 ¡ 2 212
Z 1      
p 1 ¡1 y ¡ 2 x ¡ 1 2
2
2 2(1 ¡  ) p exp ¡ dy:
2 2(1 ¡ 2) ¡1 2(1 ¡ 2) 2 1

8
Falta el factor
1
p
2 2(1 ¡ 2)

para convertir al integrando en la densidad de la distribución

 
2 2 2
N 2 +  (x ¡ 1); (1 ¡  )2 :
1

p
Por lo tanto, esta última integral tiene el valor 2(1 ¡ 2) 2 y tenemos
 
1 (x ¡ 1)2
fX (x) = p exp ¡ ; x 2 R;
2 1 212

i.e., X  N (1; 12). Análogamente, tenemos que Y  N (2; 22).

Se sigue que  =/ 0 implica que X e Y realmente no son independientes, ya que si
lo fuesen, entonces el producto fX
fY sería la densidad conjunta, pero es obvio que
f= / fX
fY .