Universidad Central de Venezuela

Facultad de Ciencias Económicas y Sociales

Escuela de Estadística y Ciencias Actuariales
Tema 6. Vectores Aleatorios

Módulo 6.1.- Función de Distribución de

Vectores Aleatorios
CARACAS, 2015
Elaborado por: Prof. Jeinny Bolívar
CONTENIDO

1.- Vectores Aleatorios

Ejemplos

2.- Función de distribución de un vector aleatorio

2.1.- Propiedades de la función de distribución conjunta

3.- Funciones de distribución marginales e independencia de variables

Elaborado por: Prof. Jeinny Bolívar

3.1.- Vectores Aleatorios

Dado un espacio muestral , un vector aleatorio es una función que asigna a cada
elemento, w, un punto en el plano cartesiano R2 : X1(w), X2(w)=(x1,x2)

 X2

(x1, x2)
X2(w)
w

X1(w) X1

Vector n dimensional: (X1(w), X2(w), X3(w),…, Xn(w)) = (x1, x2, x3,…, xn)

Ejemplo:
Supongamos el experimento aleatorio que consiste en lanzar dos veces una
moneda. Se define el vector aleatorio X = (X1, X2), tal que X1 = el número de caras en
el primer lanzamiento y X2 = el número de caras en el segundo lanzamiento.
Sabemos que  =(c,c), (c,s), (s,c), (s,s), entonces el vector aleatorio asociado a
dicho espacio muestral es:
Elaborado por: Prof. Jeinny Bolívar
 X2
X(s,s) = (0,0) ` `
X(s,c) = (0,1) 1 c c
X(c,s) = (1,0)
` `
X(c,c) = (1,1)
c c X1
0 1

Formalmente,
Sea (,,P) un espacio probabilizado asociado a un experimento aleatorio. Se
define como vector aleatorio de dimensión dos, a la función:

𝑋: Ω ⟶ 𝑅2
Tal que:

𝑋 −1 (𝐵) = 𝑤 ∈ Ω ∶ 𝑋1 𝑤 , 𝑋2 (𝑤) ∈ 𝐵 ∈ Ψ 𝐵 ∈ 𝑅2
Otra forma de expresar lo mismo es:

𝑋 −1 ( 𝑥1 , 𝑥2 ) , = 𝑤 ∈ Ω ∶ 𝑋1 𝑤 ≤ 𝑥1 ∧ 𝑋2 𝑤 ≤ 𝑥2 ∈ Ψ ∀(𝑥1 , 𝑥2 ) ∈ 𝑅2

Por ejemplo:
𝑋 −1 ( 0,0) = 𝑤 ∈ Ω ∶ 𝑋1 𝑤 ≤ 0 ∧ 𝑋2 𝑤 ≤ 0 = (𝑠, 𝑠) ∈ Ψ
Elaborado por: Prof. Jeinny Bolívar
Se dice que un vector es aleatorio si y solo si sus variables componentes son
variables aleatorias.

Borelianos en R2

Sea el espacio muestral   R2,se define -álgebra de Borel en R2, a la -álgebra

que se genera a partir de:

Fo = I  R2 : I = ( −, x1  x ( −, x2  Producto cartesiano de vectores


Fo = I  R2 : I x1x2  Serán entonces borelianos en R2 todos los intervalos del
tipo Ix1x2, sus complementos, uniones e intersecciones.
X2
Gráficamente:
x2
I x1x2

X1
x1
Cuando hagamos referencia a Borelianos en R2 nos estaremos refiriendo a todos los
puntos (x1,x2) contenidos en dicha región.
Elaborado por: Prof. Jeinny Bolívar
Retomando la definición de vector aleatorio
X −1 ( x1 , x2 ) = w   : X 1 ( w)  x1  X 2 ( w)  x2  
= X −1  I x1x2  

3.2.- Ley de probabilidad de un vector aleatorio

Así como en el caso univariante la v.a. X induce una medida de probabilidad sobre
R, el vector aleatorio X=(X1,X2) induce una medida de probabilidad en los
subconjuntos del plano R2 (Borealianos en R2). Esta función de probabilidad la
llamamos función de probabilidad inducida por el vector X y la denotamos como PX

P X ( I x1x2 ) = P  X −1 ( I x1x2 )  = P w   : X 1 ( w)  x1  X 2 ( w)  x2 

 

= P  X 1  x1 , X 2  x2 

= FX ( x1 , x2 )

Elaborado por: Prof. Jeinny Bolívar

Función de distribución de un vector aleatorio

La definición anterior da lugar a la función de distribución de un vector aleatorio

FX ( x1, x2 ) = P  X1  x1, X 2  x2 

Gráficamente: x2

x1

La función de distribución nos proporciona la probabilidad acumulada de un punto

(x1,x2).

Elaborado por: Prof. Jeinny Bolívar

Ejemplo:
Sigamos con el experimento del lanzamiento de dos monedas
X(s,s) = (0,0)  PX(0,0) = 1/4
X(s,c) = (0,1)  PX(0,1) = 1/4
X(c,s) = (1,0)  PX(1,0) = 1/4
X(c,c) = (1,1)  PX(1,1) = 1/4

Para construir la función de distribución del vector X, creamos la partición

del Rango de cada v.a.:
RX1 = 0,1 RX2 = 0,1  X1 = x1 < 0; 0 ≤ x1 < 1; x1 ≥ 1
X2 = x2 < 0; 0 ≤ x2 < 1; x2 ≥ 1
xx22

X2 1 (0,1) (1,1)
X1
x2 < 0 0 ≤ x2 < 1 x2 ≥ 1 x2
x1 x1
x1 < -0 0 0 0
0 ≤ x1 < 1 0 1/4 2/4 (0,0) (1,0)
x1 ≥ 1 0 2/4 1 1
x1 x1

Elaborado por: Prof. Jeinny Bolívar

Ahora, utilizando la notación estándar de Fx, tenemos:
0 x1  0  x2  0
1 / 4 0  x1  1  0  x2  1

FX ( x1 , x2 ) = 1 / 2 x1  1  0  x2  1
1 / 2 0  x1  1  x2  1

1 x1  1  x2  1
Ejercicio: Suponga el vector aleatorio (X,Y) con probabilidades mostradas en la
siguiente tabla. Obtenga la función de distribución y las siguientes probabilidades
i. P(X ≤ 1 , Y ≤ 2)
ii. P(X < 2 , Y ≤ 3)
iii. P(X > 2, Y ≤ 3)

Elaborado por: Prof. Jeinny Bolívar

Para construir la función de distribución del vector (X,Y), debemos
particionar el rango de cada variable: (se deja como ejercicio)

RX = 0,3 RY = 0,3

 X = X < 0; 0 ≤ X < 1; 1 ≤ X < 2; 2 ≤ X < 3; X ≥ 3

Y = Y < 0; 0 ≤ Y < 1; 1 ≤ Y < 2 ; 2 ≤ Y < 3; Y ≥ 3

Y
X
Y<0 0≤Y<1 1≤Y<2 2≤Y<3 Y≥3
X<0
0≤X<1
1≤X<2
2≤X<3
X≥3

Elaborado por: Prof. Jeinny Bolívar

Ahora, utilizando la notación estándar de Fx, tenemos:
0; 𝑥 <0 ∨𝑦 <0
; 0≤𝑥 <1 ∧0 ≤𝑦 <1
; 0≤𝑥 <1 ∧1 ≤𝑦 <2
𝐹 𝑥, 𝑦 = ; 0≤𝑥 <1 ∧2 ≤𝑦 <3
; 0≤𝑥<1 ∧ 𝑦≥3
;1 ≤ 𝑥 < 2 ∧ 0 ≤ 𝑦 < 1
1≤𝑥 <2 ∧1 ≤𝑦 <2
3.2.1.- Propiedades de la Función de Distribución conjunta
i) Fx está acotada entre 0 y 1.
0  FX  1
ii) Fx es no decreciente en cada variable

iii) Fx es continua a la derecha de cada variable.

iv) lim FX ( x1 , x2 ) = 0 = lim FX ( x1 , x2 )

x1 →− x2 →−

v) lim FX ( x1 , x2 ) = lim FX ( x1 , x2 ) = 1 = lim FX ( x1 , x2 )

x1 → x2 → x1 →
x2 →
vi) Si a,b,c,d son números reales tales que a  b y c  d; entonces

P(a  X1  b , c  X2  d) = FX(b,d) - FX(b,c) - FX(a,d) + FX(a,c)

Gráficamente: X2

X1
Ejemplo: a b
P (0.5  X1  1.5 , 0.3  X2  1.5)
= FX(1.5,1.5) - FX(1.5,0.3) - FX(0.5,1.5) + FX(0.5,0.3)
= 1 – 0.5 -0.5 + 0.25 = 0.25

vii) P  X = a, X = b = F (a, b) − F (a, b− ) − F (a − , b) + F (a − , b− )

1 2 X X X X
Elaborado por: Prof. Jeinny Bolívar
3.3.- Funciones de distribución marginales e independencia de variables

Supongamos un vector aleatorio X= (X1,X2). Surgen dos preguntas:

a. Si X1 y X2 son variables aleatorias ¿Podemos encontrar las distribuciones

individuales de X1 y X2 conocida la distribución conjunta de X= (X1,X2).
b. O viceversa, ¿Podemos conocer la distribución conjunta X= (X1,X2)
Conocidas las distribuciones individuales de X1 y X2 ?

Sabemos por definición que si X= (X1,X2) es un vector aleatorio entonces

w  : X1(w)  x1, X 2 (w)  x2
Podemos escribir para un caso particular
w  : X1(w)  x1, X 2 (w)  
Se cumple que:
w  : X1 ( w)  x1  w  : X 2 (w)   
Luego,
w  : X1 ( w)  x1   w  : X1(w)  x1
X1 es unaElaborado
v.a. por: Prof. Jeinny Bolívar
Una vez demostrado que cada componente del vector aleatorio es una v.a.;
podemos decir que lim FX ( x1 , x2 ) = FX1 ( x1 )
x2 →

Formalmente,
Sea X= (X1,X2) un vector aleatorio con Fx. Se define como función de
distribución marginal de la variable Xi a la función:
FX i ( xi ) = lim FX ( x1 , x2 ) i  j
x j →

Si las variables aleatorias X1 y X2 son independientes; entonces X1−1( B1 ) y X 2−1( B2 )

son sucesos independientes. Luego:

FX ( x1 , x2 ) = P X ( I x1 x2 ) = P  X −1 ( I x1 I x2 ) 
= P  X1−1( I x1 )  X 2−1( I x2 )

= P  X1−1 ( I x1 ) P  X 2−1( I x2 )

= P X1  I x1  P X 2  I x2  = FX1 ( x1 ) FX 2 ( x2 )

Elaborado por: Prof. Jeinny Bolívar

Este resultado puede extenderse a n dimensiones

FX ( x1, x2 ,..., xn ) = FX1 ( x1 ) FX 2 ( x2 )...FX n ( xn )