Variables aleatorias múltiples

Definición y funciones y sus propiedades

Fabián Abarca Calderón

IE0405 – Modelos Probabilísticos de Señales y Sistemas

9
Tema III

EIE Escuela de
Ingeniería Eléctrica
 Contenido

1 Variables aleatorias múltiples

2 Función acumulativa conjunta

3 Propiedades de la función acumulativa conjunta

4 Función de densidad probabilística conjunta

5 Propiedades de la función de densidad conjunta

6 Funciones de distribución conjunta condicionales

7 Independencia estadística
En muchos experimentos, las observaciones no son una
sola cantidad, sino un grupo o familia de cantidades.
Por tanto, se construyen vectores de variables
aleatorias, llamados vectores aleatorios.
Por ejemplo, para el estudio de una población se pueden
obtener los datos de la edad, el peso, la estatura y otros
tantos parámetros. Si todos ellos conforman una
métrica X, se puede expresar de la forma vectorial
X = (X1, X2, . . . , Xn).
Variables aleatorias múltiples
 Variables aleatorias múltiples I

• Las variables aleatorias múltiples pasan de un espacio de probabilidades

(S → R1 , P), llamado “ordinario” o “marginal”, a otro (S → Rn , P), llamado
también “conjunto” o “multidimensional”. Por ejemplo:

X P X Y Z P
6.13 0.047 6.13 2.61 0.02 0.216
4.23 0.099 4.23 7.41 3.64 0.160
7.81 0.343 7.81 1.23 4.23 0.028
9.71 0.038 9.71 8.39 9.93 0.191
3.72 0.134 3.72 1.04 7.86 0.198
1.89 0.339 1.89 4.16 2.97 0.207
Total 1.000 Total 1.000

◦ Variables aleatorias múltiples 1 / 38

 Variables aleatorias múltiples II

• Supóngase que dos variables aleatorias X y Y están definidas sobre un espacio S de

muestras. Cualquier par ordenado de números (x, y) puede considerarse un punto
aleatorio en el plano XY y es un valor específico de un vector aleatorio [X , Y ].
Y
10 x 9 , y9 x5 , y5
x7 , y7

5 x 1 , y1 x 3 , y3 x 8 , y8
x6 , y6
x2 , y2
x4 , y4 x10 , y10
X
1 2 3 4 5 6 7 8 9 10

◦ Variables aleatorias múltiples 2 / 38

 Variables aleatorias múltiples III
• Cuando hay un número discreto de pares ordenados, cada uno tiene asociada una
probabilidad de ocurrencia no nula P(xi , yi ) = pi , o más en general
P(xm , yn ) = pm,n . Es necesario que
N
X M X
X N
pi = pm,n = 1
i i i

Y
10 0.038
0.099

5 0.339
0.047
0.134 0.343
X
2 4 6 8 10
◦ Variables aleatorias múltiples 3 / 38
 Variables aleatorias múltiples IV

• Una representación posible para la magnitud de la probabilidad es la de un gráfico

bidimensional con un código de colores según la escala mostrada.
Y
10 0,3

0,2
5
0,1
X
2 4 6 8 10

◦ Variables aleatorias múltiples 4 / 38

 Variables aleatorias múltiples V

• Otra representación usual es la de una gráfica tridimensional con el eje z siendo la

probabilidad para todo (xi , yi ). La mostrada es una función de probabilidad de masa
conjunta, donde el marcador además tiene un color asociado con su magnitud.

0,3

0,2
0,2

10 0,1
0 5
0 2 4 6 8 10 0 Y
X

◦ Variables aleatorias múltiples 5 / 38

 Variables aleatorias múltiples VI
• Cuando X y Y son continuos, existe una función de densidad de probabilidad
fX ,Y (x, y) definida para todo x y y, y la gráfica tridimensional es una superficie.

fX ,Y (x, y) = 1/8 (x + y) 0 ≤ x, y ≤ 2

0,4

0,2
2
0 1
0 0,5 1 1,5 2 0 Y
X

◦ Variables aleatorias múltiples 6 / 38

Función acumulativa conjunta
 Probabilidad de un evento conjunto A ∩ B
Deducción de la función acumulativa para variables aleatorias múltiples

Similar al caso de una variable aleatoria ordinaria, defínanse los eventos A y B como

Y
SJ

B = {Y ≤ y} A∩B
X

A = {X ≤ x}

El evento A ∩ B definido en S corresponde al evento conjunto {X ≤ x ∧ Y ≤ y} o

{X ≤ x, Y ≤ y}, definido en SJ , donde SJ es el espacio de muestras en xy, o también
espacio producto bidimensional.
◦ Función acumulativa conjunta 7 / 38
 La función acumulativa conjunta de va continuas

Función de probabilidad acumulativa conjunta continua

La probabilidad del evento conjunto {X ≤ x, Y ≤ y} es una función acumulativa

conjunta denotada por

FX ,Y (x, y) = P(X ≤ x, Y ≤ y) (1)

donde P(X ≤ x, Y ≤ y) = P(A ∩ B).

◦ Función acumulativa conjunta 8 / 38

 La función acumulativa conjunta de va discretas

Función de probabilidad acumulativa conjunta discreta

La función acumulativa conjunta para dos variables aleatorias discretas X (con N

posibles valores xn ) y Y (con M posibles valores ym ), es
N X
X M
FX ,Y (x, y) = P(xn , ym )u(x − xn )u(y − ym ) (2)
n=1 m=1

donde P(xn , ym ) es la probabilidad del evento conjunto {X = xn , Y = ym } y u(·) es la

función escalón unitario.

◦ Función acumulativa conjunta 9 / 38

 Generalización de la función de probabilidad acumulativa para N va

Para N variables aleatorias Xn , n = 1, 2, . . . , N la generalización es directa:

FX1 ,X2 ,...,XN (x1 , x2 , . . . , xN ) = P{X1 ≤ x1 , X2 ≤ x2 , . . . , XN ≤ xN } (3)

◦ Función acumulativa conjunta 10 / 38

Propiedades de la función acumulativa conjunta
 Propiedades de la función acumulativa conjunta I

1 La probabilidad de estar por debajo de −∞ es cero

FX ,Y (−∞, −∞) = 0 FX ,Y (−∞, y) = 0 FX ,Y (x, −∞) = 0 (4)

2 La probabilidad de estar por debajo de +∞ es uno

FX ,Y (∞, ∞) = 1 (5)
3 La función acumulativa conjunta es una probabilidad

0 ≤ FX ,Y (x, y) ≤ 1 (6)
4 FX ,Y (x, y) es una función no decreciente tanto de X como de Y

◦ Propiedades de la función acumulativa conjunta 11 / 38

 Propiedades de la función acumulativa conjunta II

5 La probabilidad en una región R = {x1 < X ≤ x2 , y1 < Y ≤ y2 }

P{x1 < X ≤ x2 , y1 < Y ≤ y2 }

= FX ,Y (x2 , y2 ) + FX ,Y (x1 , y1 ) − FX ,Y (x1 , y2 ) − FX ,Y (x2 , y1 ) > 0 (7)

6 Funciones acumulativas marginales

6a Función acumulativa marginal de X

FX ,Y (x, ∞) = FX (x) (8)

6a Función acumulativa marginal de Y

FX ,Y (∞, y) = FY (y) (9)

◦ Propiedades de la función acumulativa conjunta 12 / 38

 Propiedades de la función acumulativa conjunta III

Nota sobre la propiedad 6

Obsérvese que
FX ,Y (x, y) = P{X ≤ x, Y ≤ y} = P(A ∩ B)
Si se hace que y = ∞, esto equivale a hacer B = {Y ≤ y} el evento seguro; es decir,
B = {Y ≤ ∞} = S. Además, dado que A ∩ B = A ∩ S = A, entonces se tiene

FX ,Y (x, ∞) = P(A ∩ S) = P(A) = P{X ≤ x} = FX (x)

Una prueba similar puede establecerse para FY (y).

◦ Propiedades de la función acumulativa conjunta 13 / 38

 Propiedades de la función acumulativa conjunta IV

Generalización de las distribuciones marginales

De una función de distribución conjunta N-dimensional se puede obtener una fun-
ción de distribución marginal K -dimensional, para cualquier grupo escogido de K
de las N variables aleatorias, con fijar los valores de las otras N − K variables alea-
torias a infinito. Aquí K puede ser cualquier entero 1, 2, 3, . . . , N − 1.

Por ejemplo, si existe FW ,X ,Y ,Z (w, x, y, z) y nos interesa la función acumulativa marginal

para W y X , hay que hacer:

FW ,X (w, x) = FW ,X ,Y ,Z (w, x, ∞, ∞)

◦ Propiedades de la función acumulativa conjunta 14 / 38

 Ejemplo de una función acumulativa bivariada continua I

FX ,Y (x, y) = (1 − e−x )(1 − e−y ) u(x)u(y)

0,5

0
4 4
3 3
2 2
1 1
Y 0 0 X

◦ Propiedades de la función acumulativa conjunta 15 / 38

Función de densidad probabilística conjunta
 Función de densidad probabilística conjunta de va continuas

Función de densidad probabilística conjunta bivariada continua

Para dos variables aleatorias X y Y , la función de densidad probabilística conjun-
ta, fX ,Y (x, y), está definida por la segunda derivada de la función de distribución
conjunta (dondequiera que esta exista),

∂ 2 FX ,Y (x, y)
fX ,Y (x, y) = (10)
∂x∂y

◦ Función de densidad probabilística conjunta 16 / 38

 Función de densidad probabilística conjunta de va discretas

Función de densidad probabilística conjunta bivariada discreta

La función de densidad conjunta para dos va discretas está dada por:
N X
X M
fX ,Y (x, y) = P(xn , ym )δ(x − xn )δ(y − ym ) (11)
n=1 m=1

◦ Función de densidad probabilística conjunta 17 / 38

 Ejemplo de una función de densidad bivariada discreta I

Cuadro: Valores de probabilidad para la combinación de una va X con otra Y . Por ejemplo, los
valores de X podrían representar intervalos de la estatura de una población, y Y de su peso.

P(xn , ym ) y1 y2 y3 y4 y5 y6 y7
x1 0.00164 0.00572 0.01211 0.01555 0.01211 0.00572 0.00164
x2 0.00735 0.02564 0.05427 0.06969 0.05427 0.02564 0.00735
x3 0.01211 0.04227 0.08948 0.11490 0.08948 0.04227 0.01211
x4 0.00735 0.02564 0.05427 0.06969 0.05427 0.02564 0.00735
x5 0.00164 0.00572 0.01211 0.01555 0.01211 0.00572 0.00164

◦ Función de densidad probabilística conjunta 18 / 38

 Ejemplo de una función de densidad bivariada discreta II
5 X
X 7
fX ,Y (x, y) = P(xn , ym )δ(x − xn )δ(y − ym )
n=1 m=1

0,1
6
5 · 10−2
4
0
0 1 2
2 Y
3 4 0
X

◦ Función de densidad probabilística conjunta 19 / 38

 Generalización de la función de densidad probabilística para N va

Cuando N variables aleatorias X1 , X2 , . . . , XN están involucradas, la función de den-

sidad conjunta se convierte en la N-ésima derivada parcial de la función de distri-
bución N-dimensional
∂ N FX1 ,X2 ,...,XN (x1 , x2 , . . . , xN )
fX1 ,X2 ,...,XN (x1 , x2 , . . . , xN ) = (12)
∂x1 ∂x2 · · · ∂xN

Por integración directa este resultado es equivalente a:

Z xN Z x1
FX1 ,...,XN (x1 , . . . , xN ) = ··· fX1 ,...,XN (v1 , . . . , vN ) dv1 · · · dvN
−∞ −∞

◦ Función de densidad probabilística conjunta 20 / 38

Propiedades de la función de densidad conjunta
 Propiedades de la función de densidad conjunta I

1 La función de densidad es siempre positiva

fX ,Y (x, y) ≥ 0 (13)
2 El volumen bajo la superficie en todo el plano XY es unitario
Z ∞Z ∞
fX ,Y (x, y) dx dy = 1 (14)
−∞ −∞

3 La probabilidad en una región R es el volumen bajo la superficie en R

Z y2 Z x2
P{x1 < X ≤ x2 , y1 < Y ≤ y2 } = fX ,Y (x, y) dx dy (15)
y1 x1

◦ Propiedades de la función de densidad conjunta 21 / 38

 Propiedades de la función de densidad conjunta II

4 La función acumulativa conjunta es el volumen bajo la superficie de la región

{X ≤ x, Y ≤ y} de la función de densidad
Z y Z x
FX ,Y (x, y) = fX ,Y (v1 , v2 ) dv1 dv2 (16)
−∞ −∞

5 Funciones acumulativas marginales

5a Función acumulativa marginal de X
Z x Z ∞
FX (x) = fX ,Y (v1 , v2 ) dv2 dv1 (17)
−∞ −∞

5b Función acumulativa marginal de Y

Z y Z ∞
FY (y) = fX ,Y (v1 , v2 ) dv1 dv2 (18)
−∞ −∞

◦ Propiedades de la función de densidad conjunta 22 / 38

 Propiedades de la función de densidad conjunta III

6 Funciones de densidad marginales

6a Función de densidad marginal de X
Z ∞
d
fX (x) = fX ,Y (x, y) dy = FX (x) (19)
−∞ dx
6b Función de densidad marginal de Y
Z ∞
d
fY (y) = fX ,Y (x, y) dx = FY (y) (20)
−∞ dy

◦ Propiedades de la función de densidad conjunta 23 / 38

 Ejemplo de cálculo de densidades marginales I

Encuentre fX (x) y fY (y) cuando la función de densidad conjunta es

fX ,Y (x, y) = x e−x(y+1) u(x)u(y)

fX ,Y (x, y)

0,4
0,2
0
0 4
1 3
2 2
3 1
X 4 0 Y

◦ Propiedades de la función de densidad conjunta 24 / 38

 Ejemplo de cálculo de densidades marginales II

Para la solución, se debe tomar la función de densidad conjunta e integrar primero sobre
todo el ámbito de valores de la variable aleatoria Y , para obtener la densidad de X .
Z ∞
fX (x) = u(x)u(y)xe−x(y+1) dy
−∞
Z ∞
−x
= u(x)xe e−xy dy
0 −xy ∞
e
= xe−x u(x)


−x 0
= e−x u(x)

◦ Propiedades de la función de densidad conjunta 25 / 38

 Ejemplo de cálculo de densidades marginales III

Luego, se toma la función de densidad conjunta y se integra sobre todo el ámbito de

valores de la variable aleatoria X , para obtener la función de densidad de Y .
Z ∞
fY (y) = u(x)u(y)xe−x(y+1) dx
−∞
Z ∞
= u(y) xe−x(y+1) dx
"0 !∞ !∞ #
−xe−x(y+1)  e−x(y+1) 
= u(y)  −
y +1 (y + 1)2 


0 0
1
= u(y)
(y + 1)2
En este cálculo se utilizó la técnica de la integración por partes.

◦ Propiedades de la función de densidad conjunta 26 / 38

 Ejemplo de cálculo de densidades marginales IV

fX ,Y (x, y)

1 fY (y)
fX (x)
0,5

0
0 4
1 3
2 2
3 1
X 4 0 Y

◦ Propiedades de la función de densidad conjunta 27 / 38

Funciones de distribución conjunta condicionales
 Condicionamiento puntual
Definición

En algunos problemas prácticos se está interesado en la función de distribución de una

variable aleatoria X condicionada por el hecho de que una segunda variable aleatoria Y
tiene algún valor específico y. Esto se llama condicionamiento puntual y se analiza
definiendo un evento condicionante B, dado por

B = {y − ∆y < Y ≤ y + ∆y}
donde ∆y es una pequeña cantidad que eventualmente puede aproximar 0. Se escribe:
R y+∆y R x
y−∆y −∞ fX ,Y (v1 , v2 ) dv1 dv2
FX (x|y − ∆y < Y ≤ y + ∆y) = R y+∆y (21)
y−∆y fY (v) dv

◦ Funciones de distribución conjunta condicionales 28 / 38

 Condicionamiento puntual para va discretas I
Primer caso

Suponga que X y Y son ambas variables aleatorias discretas con valores

xi , i = 1, 2, . . . , N e yi , i = 1, 2, . . . , M, respectivamente, con probabilidades P(xi ), P(yi ).
Se tiene que

M
X
fY (y) = P(yj )δ(y − yj )
j=1
N X
X M
fX ,Y (x, y) = P(xi , yj )δ(x − xi )δ(y − yj )
i=1 j=1

Suponga que el valor específico dy Y de interés es yk .

◦ Funciones de distribución conjunta condicionales 29 / 38

 Condicionamiento puntual para va discretas II
Primer caso

Se puede demostrar que

N
X P(xi , yk )
FX (x|Y = yk ) = u(x − xi ) (22)
P(yk )
i=1

Después de derivar con respecto a x,

N
X P(xi , yk )
fX (x|Y = yk ) = δ(x − xi ) (23)
P(yk )
i=1

que es la función de densidad discreta (o de masa).

◦ Funciones de distribución conjunta condicionales 30 / 38

 Condicionamiento puntual para va continuas I
Segundo caso

Si X , Y son ambas variables aleatorias continuas,

Rx
fX ,Y (v, y) dv
FX (x|Y = y) = −∞ (24)
fY (y)
para todo y tal que fY (y) 6= 0. Después de diferenciar ambos lados con respecto a x:

fX ,Y (x, y)
fX (x|Y = y) = (25)
fY (y)
Cuando no haya confusión con respecto al significado,

fX ,Y (x, y)
fX (x|y) = (26)
fY (y)

◦ Funciones de distribución conjunta condicionales 31 / 38

 Condicionamiento puntual para va continuas II
Segundo caso

Puede también demostrarse que:

fX ,Y (x, y)
fY (y|x) = (27)
fX (x)

Recordatorio: Al definir una variable aleatoria continua se había especificado que

P(X = x) = 0, ¿por qué aquí aplica que fY (y) 6= 0?

◦ Funciones de distribución conjunta condicionales 32 / 38

 Condicionamiento por intervalo
Definición

Defínase B = {ya < Y ≤ yb } donde ya , yb son números reales y se supone P(B) 6= 0.

Con esta definición se puede constatar que:

FX ,Y (x, yb ) − FX ,Y (x, ya )
FX (x|ya < Y ≤ yb } =
F (y ) − FY (ya )
R yb R Yx b
y −∞ fX ,Y (v, y) dv dy
= R yab R ∞ (28)
ya −∞ fX ,Y (x, y) dx dy
R yb
y fX ,Y (x, y) dy
fX (x|ya < Y ≤ yb ) = R yb R ∞a
ya −∞ fX ,Y (x, y) dx dy

Estas últimas dos expresiones son válidas para X y Y variables aleatorias discretas o
continuas.

◦ Funciones de distribución conjunta condicionales 33 / 38

Independencia estadística
 Independencia estadística I
Definición

Independencia estadística de variables aleatorias múltiples

Dos variables aleatorias son estadísticamente independientes si y solo si

P{X ≤ x, Y ≤ y} = P{X ≤ x}P{Y ≤ y} (29)

Lo anterior implica que

FX ,Y (x, y) = FX (x)FY (y) (30)

y

fX ,Y (x, y) = fX (x)fY (y) (31)

◦ Independencia estadística 34 / 38
 Independencia estadística II
Definición

Si X , Y son estadísticamente independientes

P{X ≤ x, Y ≤ y}
FX (x|Y ≤ y) =
P{Y ≤ y}
FX ,Y (x, y) (32)
=
FY (y)
= FX (x)
Lo mismo sucede con FY (y|X ≤ x). Además, si se mantiene la misma condición de
independencia estadística para X , Y :

fX (x|Y ≤ y) = fX (x)
(33)
fY (y|X ≤ x) = fY (y)

◦ Independencia estadística 35 / 38
 Ejemplos de dependencia e independencia estadística I

• Una densidad conjunta bivariada • Una densidad conjunta bivariada

uniforme cuadrada uniforme circular
Y Y

x0 X x0 X

◦ Independencia estadística 36 / 38
 Ejemplo de la variable aleatoria conjunta doblemente exponencial I

Para la función de densidad de (X , Y ) dada, ¿son X y Y independientes?

(
2e−(x+2y) x ≥ 0, y ≥ 0
fX ,Y (x, y) =
0 en otra parte

2
1
2
0
0 1 1
2 3 0 Y
X

◦ Independencia estadística 37 / 38
 Ejemplo de la variable aleatoria conjunta doblemente exponencial II

La densidades marginales se encuentran con las ecuaciones (19) y (20):

Densidad marginal de X
Z ∞
fX (x) = 2e−x e−2y dy = e−x para x≥0
0

Densidad marginal de Y
Z ∞
fY (y) = 2e−2y e−x dx = 2e−2y para y≥0
0

La independencia se evalúa con la ecuación (31):

fX (x)fY (y) = (e−x )(2e−2y ) = 2e−(x+2y) = fX ,Y (x, y) para x, y ≥ 0

◦ Independencia estadística 38 / 38