Vectores Aleatorios

Procesos Estocásticos,
Ingenierı́a Electrónica,
Universidad del Quindı́o.
Contenido

Variables aleatorias Bivariadas

Espacio muestral
Funciones de distribución
Variables aleatorias bivariadas discretas
Variables aleatorias bivariadas continuas
Correlación e independencia

Vectores aleatorios
Definiciones
Función de densidad de probabilidad Gaussiana multivariada
Otras fdp multivariadas
Contenido

Variables aleatorias Bivariadas

Espacio muestral
Funciones de distribución
Variables aleatorias bivariadas discretas
Variables aleatorias bivariadas continuas
Correlación e independencia

Vectores aleatorios
Definiciones
Función de densidad de probabilidad Gaussiana multivariada
Otras fdp multivariadas
Espacio Muestral

Sea Ω el espacio muestral de un experimento aleatorio.

Sean X y Y dos variables aleatorias.

El par (X , Y ) se conoce como una variable aleatoria bivariada o un

vector aleatorio de dos dimensiones si tanto X como Y asocian un
número real con cada elemento de Ω.

La v.a. bivariada (X , Y ) puede considerarse como una función que

a cada punto ω ∈ Ω, le asigna un punto (x, y ) en el plano.
Rango RXY I
Rango RXY II

El rango de un v.a. bivariada (X , Y ) se denota como RXY y se define

como.

RXY = {(x, y ) : ω ∈ Ω y X (ω) = x, Y (ω) = y }

Si las v.a. X y Y son ambas v.a. discretas, luego (X , Y ) se conoce

como una v.a. bivariada discreta.

Si las v.a. X y Y son ambas v.a. continuas, luego (X , Y ) se conoce

como una v.a. bivariada continua.

Si una v.a. es discreta y la otra continua, luego (X , Y ) se conoce

como una v.a. bivariada mixta.
Función de distribución conjunta

La probabilidad P(A ∩ B) se definió anteriormente como la probabi-

lidad de ocurrencia de los eventos A y B.

Si A es el evento (X ≤ x) y B es el evento Y ≤ y , la probabilidad

conjunta de A y B se conoce como la función de distribución acu-
mulativa conjunta (fdac) de las variables aleatorias X y Y , de esta
forma.
FX ,Y (x, y ) = P (X ≤ x ∩ Y ≤ y )

A partir de esta definición se derivan los siguientes resultados

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

FX ,Y (x, −∞) = 0 FX ,Y (∞, ∞) = 1.
Función de distribución marginal

A partir de la fdac se pueden obtener las fda marginales FX (x) y

FY (y ) usando

FX ,Y (x, ∞) = FX (x), FX ,Y (∞, y ) = FY (y ).

Función de probabilidad de masa conjunta

Considerar que dos variables aleatorias X y Y que toman valores

x1 , x2 , . . . , xn y y1 , y2 , . . . , ym .

Estas dos variables aleatorias pueden caracterizarse por una función

de probabilidad de masa conjunta pXY (xi , yj ) = P(X = xi , Y = yj )
de la probabilidad de que X = xi y Y = yj .
Función de probabilidad de masa conjunta: Propiedades

1. 0 ≤ pXY (xi , yj ) ≤ 1.

P P
2. ∀xi ∀yj pXY (xi , yj ) = 1.

PP
3. P[(X , Y ) ∈ A] = pXY (xi , yj ).
(xi ,yj )∈A
Ejemplo FPMC

Se prueban un par de circuitos integrados uno después del otro y en

cada prueba las posibles salidas son r rechazado y a aceptado. Se
asume que todos los circuitos son aceptables con probabilidad de 0,9
y las salidas de cada prueba son independientes. Sea X una VA que
cuenta el número de circuitos aceptados y Y el número de pruebas
aceptadas antes del primer rechazo. Encuentre la FPMC de X y Y .
 iment, there is a set of observations that leads to both X = x and Y = y. For any x and
y, we find PX,Y (x, y) by summing the probabilities of all outcomes of the experiment for
Ejemplo FPMC
which X = x and Y = y.
There are various ways to represent a joint PMF. We use three of them in the following
example: a list, a matrix, and a graph.

Se
ample 4.1 prueban
Test two integrated un par circuits de circuitos one after integrados
the other. On each unotest, después
the possible del outcomes
otro y en
cadaare a (accept)
prueba lasandposiblesr (reject). salidas Assume that sonallrcircuits rechazado are acceptable with probabilitySe
y a aceptado.
0.9 and that the outcomes of successive tests are independent. Count the number of
asume que todos
acceptable circuitslos X andcircuitos
count theson number aceptables
of successful con tests probabilidad
Y before you observe de 0,9
y las salidas de cada prueba son independientes. Sea X una VAthe
the first reject. (If both tests are successful, let Y = 2.) Draw a tree diagram for que
experiment and find the joint PMF of X and Y .
cuenta. . . .el
. . . número
. . . . . . . . . . . .de
. . . . circuitos
. . . . . . . . . . . . .aceptados
. . . . . . . . . . . . . . .y. . .Y
. . . .el
. . .número
. . . . . . . . . . . .de
. . . .pruebas
.......
The experiment has the following tree diagram.
aceptadas antes del primer rechazo. Encuentre la FPMC de X y Y .

 
0.9 a •aa 0.81 X=2,Y =2


 
a
0.9 
 0.1 r •ar 0.09 X=1,Y =1



  
0.9 a •ra 0.09 X=1,Y =0
0.1 r 
  
0.1 r •rr 0.01 X=0,Y =0

The sample space of the experiment is

Ejemplo FPMC

El espacio muestral del experimento es:

Ejemplo FPMC

El espacio muestral del experimento es:

SX ,Y = {aa, ar , ra, rr }
Ejemplo FPMC

El espacio muestral del experimento es:

SX ,Y = {aa, ar , ra, rr }

A partir del diagrama se pueden calcular las probabilidades de cada

evento:

P[aa] = 0,81, P[ar ] = P[ra] = 0,09, P[rr ] = 0,01

Ejemplo FPMC

El espacio muestral del experimento es:

SX ,Y = {aa, ar , ra, rr }

A partir del diagrama se pueden calcular las probabilidades de cada

evento:

P[aa] = 0,81, P[ar ] = P[ra] = 0,09, P[rr ] = 0,01

Se necesita un mapeo de cada salida de S al espacio de las VAs X

y Y , a través de la función g (s).

g (aa) = (2, 2), g (ar ) = (1, 1), g (ra) = (1, 0), g (rr ) = (0, 0)
Ejemplo FPMC

La FPMC PX ,Y (x, y ) puede ser descrita como la suma de las proba-

bilidades de las salidas para las cuales X = x y Y = y .
Ejemplo FPMC

La FPMC PX ,Y (x, y ) puede ser descrita como la suma de las proba-

bilidades de las salidas para las cuales X = x y Y = y .


0,81 x = 2, y = 2

0,09 x = 1, y = 1



PX ,Y (x, y ) = 0,09 x = 1, y = 0

0,01 x = 0, y = 0





0 Caso Contrario

 X
Ejemplo FPMC

La FPMC PX ,Y (x, y ) puede ser descrita como la suma de las proba-

Figure 4.2 Subsets B of the (X, Y ) plane. Points (
bilidades de las salidas para las cuales X = x y Y = y .
 y

0,81 x = 2, y = 2 PX,Y (x, y)

0,09 x = 1, y = 1

•.81

 PX,Y
2
PX ,Y (x, y ) = 0,09 x = 1, y = 0
 1 •.09
0,01 x = 0, y = 0


.01
•.09
x

0 •


0 Caso Contrario 0 1 2

A third representation of P X,Y (x, y) is the

PX,Y (x, y) y=
x =0 0.01
x =1 0.09
x =2 0

Note that all of the probabilities add up to 1. Thi

(Section 1.3) that states P[S] = 1. Using the not
 X
Ejemplo FPMC

La FPMC PX ,Y (x, y ) puede ser descrita como la suma de las proba-

Figure 4.2 Subsets B of the (X, Y ) plane. Points (
bilidades de las salidas para las cuales X = x y Y = y .
 y

0,81 x = 2, y = 2 PX,Y (x, y)

0,09 x = 1, y = 1

•.81

 PX,Y
2
PX ,Y (x, y ) = 0,09 x = 1, y = 0
 1 •.09
0,01 x = 0, y = 0


.01
•.09
x

0 •


0 Caso Contrario 0 1 2

A third representation of P X,Y (x, y) is the
PX ,Y (x, y ) y =0 y =1 y =2
PX,Y (x, y) y=
x =0 0,01 0 0 x =0 0.01
x =1 0,09 0,09 0 x =1 0.09
x =2 0
x =2 0 0 0,81

Note that all of the probabilities add up to 1. Thi

(Section 1.3) that states P[S] = 1. Using the not
Ejemplo FPMC 2

Encontrar la probabilidad del evento B en el que X es igual a Y .

Ejemplo FPMC 2

Encontrar la probabilidad del evento B en el que X es igual a Y .

Matemáticamente, B = {X = Y } que tiene eventos con probabili-
dad diferente de 0:

B ∩ SX ,Y = {(0, 0), (1, 1), (2, 2)}

Ejemplo FPMC 2

Encontrar la probabilidad del evento B en el que X es igual a Y .

Matemáticamente, B = {X = Y } que tiene eventos con probabili-
dad diferente de 0:

B ∩ SX ,Y = {(0, 0), (1, 1), (2, 2)}

Por lo tanto:

P[B] = PX ,Y (0, 0) + PX ,Y (1, 1) + PX ,Y (2, 2)

= 0,01 + 0,09 + 0,81 = 0,91
Función de probabilidad de masa conjunta, marginal y
condicional
1. Acumulativa conjunta. XX
FXY (x, y ) = P(X ≤ x, Y ≤ y ) = pXY (xi , yj ).
xi ≤x yj ≤y

2. Marginal.
m
X
P(X = xi ) = pX (xi ) = pXY (xi , yj ).
j=1

3. Condicional.
pXY (xi , yj )
pY |X (yj |xi ) = , pX (xi ) > 0.
pX (xi )

4. Teorema de Bayes.
pY |X (yj |xi )pX (xi )
pX |Y (xi |yj ) = Pn .
i=1 pY |X (yj |xi )pX (xi )
Ejemplo FPM Marginal
Encontrar las FPM marginales para los valores de X y Y del ejemplo
de los circuitos.
Ejemplo FPM Marginal
Encontrar las FPM marginales para los valores de X y Y del ejemplo
de los circuitos.
Para PX (x)
2
X 2
X
PX (0) = PX ,Y (0, y ) = 0,01, PX (1) = PX ,Y (1, y ) = 0,18
y =0 y =0
2
X
PX (2) = PX ,Y (2, y ) = 0,81, PX (x) = 0, x 6= 0, 1, 2
y =0
Ejemplo FPM Marginal
Encontrar las FPM marginales para los valores de X y Y del ejemplo
de los circuitos.
Para PX (x)
2
X 2
X
PX (0) = PX ,Y (0, y ) = 0,01, PX (1) = PX ,Y (1, y ) = 0,18
y =0 y =0
2
X
PX (2) = PX ,Y (2, y ) = 0,81, PX (x) = 0, x 6= 0, 1, 2
y =0

Para PY (y )
2
X 2
X
PY (0) = PX ,Y (x, 0) = 0,10, PY (1) = PX ,Y (x, 1) = 0,09
x=0 x=0
2
X
PY (2) = PX ,Y (x, 2) = 0,81, PY (y ) = 0, y 6= 0, 1, 2
x=0
Independencia estadı́stica

Dos variables aleatorias son independientes estadı́sticamente si

1. FXY (x, y ) = FX (x)FY (y ).

2. pXY (xi , yj ) = pX (xi )pY (yj ).

3. pY |X (yj |xi ) = pY (yj ).

4. pX |Y (xi |yj ) = pX (xi ).

Valor esperado de dos variables aleatorias

El (k, n)-ésimo momento de la v.a. bivariada (X , Y ) se define como

XX
E [X k Y n ] = xik yjn pXY (xi , yj ).
∀xi ∀yj
Valores esperados condicionales
Las relaciones entre variables aleatorias se describen algunas veces a
través de valores esperados condicionales.

La media condicional se define como n

X
µX |yj = E [X |Y = yj ] = xi pX |Y (xi |yj ),
i=1
Xm
µY |xi = E [Y |X = xi ] = yj pY |X (yj |xi ).
j=1

La varianza condicional se define como

n
X
σX2 |yj 2
= E [(X − µX |yj ) |Y = yj ] = (xi − µX |yj )2 pX |Y (xi |yj ),
i=1
m
X
σY2 |xi = E [(Y − µY |xi )2 |X = xi ] = (yj − µY |xi )2 pY |X (yj |xi ).
j=1
Dos variables aleatorias continuas: función de densidad de
probabilidad conjunta

Si existen dos variables aleatorias X y Y , pueden caracterizarse con

la fdp conjunta fX ,Y (x, y ).

Si la función de distribución conjunta FX ,Y (x, y ) es continua y tiene

derivadas parciales, la fdp conjunta se define como.

∂ 2 FX ,Y (x, y )
fX ,Y (x, y ) =
∂x∂y
Igualmente se tiene
Z y Z x
FX ,Y (x, y ) = P(X ≤ x ∩ Y ≤ y ) = fX ,Y (α, β)dαdβ
−∞ −∞
Función de densidad de probabilidad conjunta: Propiedades

1. FXY (x, y ) ≥ 0.
Z ∞ Z ∞
2. fX ,Y (x, y )dx dy = 1.
−∞ −∞

3. fXY (x, y ) es continua.

Z Z
4. P[(X , Y ) ∈ A] = fX ,Y (x, y )dx dy .
RA

Z b Z d
5. P(a < X ≤ b, c < Y ≤ d) = fX ,Y (x, y )dx dy .
a c
 Ejemplo FDPC

TER 4 Las variable

PAIRS aleatoriasVARIABLES
OF RANDOM X y Y tienen la FDPC:
(
c 0 ≤ x ≤ 5, 0 ≤ y ≤ 3,
Find the constantfX ,Y (x, y c) and = P[A] = P[2 ≤ X < 3, 1 ≤ Y < 3].
. . . . . . . . . . . . . . . . . . . . . . . . 0. . . .Caso
. . . . . .contrario
....................................
The large rectangle in the diagram is the area of nonzero probability.
states la
Encontrar that the integral
constante x y of the =
P[A] joint ≤ Xover
P[2PDF < 3, 1≤
this rectangle
Y < 3] is 1:
) 5) 3
1= c d y d x = 15c.
Y
A 0 0
Therefore, c = 1/15. The small dark rectang
gram is the event A = {2 ≤ X < 3, 1 ≤ Y < 3
integral of the PDF over this rectangle, which
) 3) 3
X 1
P [A] = dv du = 2/15
2 1 15
This probability model is an example of a pair of random variables
tributed over a rectangle in the X, Y plane.
 Ejemplo FDPC

TER 4 Las variable

PAIRS aleatoriasVARIABLES
OF RANDOM X y Y tienen la FDPC:
(
c 0 ≤ x ≤ 5, 0 ≤ y ≤ 3,
Find the constantfX ,Y (x, y c) and = P[A] = P[2 ≤ X < 3, 1 ≤ Y < 3].
. . . . . . . . . . . . . . . . . . . . . . . . 0. . . .Caso
. . . . . .contrario
....................................
The large rectangle in the diagram is the area of nonzero probability.
states la
Encontrar that the integral
constante x y of the =
P[A] joint ≤ Xover
P[2PDF < 3, 1≤
this rectangle
Y < 3] is 1:
) 5) 3
1= c d y d x = 15c.
Y • Según el teorema de
A 0 0
probabilidad, la integral
Therefore, c = 1/15. The small dark rectang
A=
del area
gram is the event {2 ≤ X < 3,
rectangular es11≤ Y < 3
integral of the PDF
Z 5over
Z 3 this rectangle, which
1= ) 3cdy
) 3dx = 15c
X 1
P [A]0= 0 dv du = 2/15
2 1 15
This probability model is an example of a pair of random variables
tributed over a rectangle in the X, Y plane.
Ejemplo FDPC

Por lo tanto c = 1/15, el rectángulo más oscuro en la figura corres-

ponde a P[A] = P[2 ≤ X < 3, 1 ≤ Y < 3]
Z 3Z 3
1
P[A] = dvdu = 2/15
2 1 15
 triangle in the X, Y plane. However, to evaluate its integral over the
need to consider
Ejemplo FDPC - fiveFDAdifferent situations depending on the values o
of the example demonstrates the point that the PDF is usually a m
model that offers more insights into the nature of an experiment tha
Encontrar la FDA FX ,Y (x, y ) cuando X y Y tienen la FDPC:
e 4.5 Find the joint CDF F X,Y (x, y) when X and Y have joint PDF
Y
1
fXY(x,y)=2
( 
2 0 ≤ y ≤2 x ≤0 1≤ y ≤
= (x, y) =
fX ,Y (x, yf)X,Y
0 otherwis
0 Caso Contrario
X
. . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
The joint CDF can be found using Definition 4.3 in which we
f X,Y (x, y) over the area shown in Figure 4.1. To perform the in
useful to draw a diagram that clearly shows the area with nonze
to use the diagram to derive the limits of the integral in Definit
The difficulty with this integral is that the nature of the region
critically on x and y. In this apparently simple example, there ar
 triangle in the X, Y plane. However, to evaluate its integral over the
need to consider
Ejemplo FDPC - fiveFDAdifferent situations depending on the values o
of the example demonstrates the point that the PDF is usually a m
model that offers more insights into the nature of an experiment tha
Encontrar la FDA FX ,Y (x, y ) cuando X y Y tienen la FDPC:
e 4.5 Find the joint CDF F X,Y (x, y) when X and Y have joint PDF
Y
1
fXY(x,y)=2
( 
2 0 ≤ y ≤2 x ≤0 1≤ y ≤
= (x, y) =
fX ,Y (x, yf)X,Y
0 otherwis
0 Caso Contrario
X
. . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Por definición
The jointlaCDF FDA can es la be integral
found deusing
la FDPC, sin embargo
Definition 4.3 in depen-
which we
diendo de la función, la región de integración depende crı́ticamente
f X,Y (x, y) over the area shown in Figure 4.1. To perform the in
de los valores de x y y .
useful to draw a diagram that clearly shows the area with nonze
to use the diagram to derive the limits of the integral in Definit
The difficulty with this integral is that the nature of the region
critically on x and y. In this apparently simple example, there ar
Ejemplo FDPC - FDA
En este ejemplo hay 5 casos a considerar. 4.4 JOINT PROBABILITY DENS

Y Y

• Primero si x < 0 y y < 0 1 1

el triángulo se encuentra
por fuera de la región de y
y

integración, por lo tanto

X
x 1

FX ,Y = 0
x < 0 or y < 0 0≤y≤x
(a) (b)
Y Y

1 1

y
y

X
x 1

0≤x <y 0≤y≤

0≤x ≤1 x>1
(c) (d)
Y
 y
y

Ejemplo FDPC - FDA X X

x 1 x 1

En este ejemplo hay 5 casos a considerar. 4.4 JOINT PROBABILITY DENS

x < 0 or y < 0 0≤y≤x ≤1
(a) Y (b) Y

• Primero si x < 0 y y < 0 Y

1
Y
1
el triángulo se encuentra 1 1

por fuera de la región de y

y y
y

integración, por lo tanto

X
x X 1 X
x 1 1 x

FX ,Y = 0
x < 0 or y < 0 0≤y≤x
0≤x <y 0≤y≤1
0≤x ≤1 (a) x>1 (b)
Y Y
• El segundo caso es (c)
Y
(d)

cuando x ≥ 1 y y ≥ 1, 1
y
1
1

y
en este caso el triángulo y

se encuentra totalmente
contenido en la región de x 1
X
X
1 x
integración, por lo tanto
0≤x <y 0≤y≤
x >0 1≤and
x ≤y 1> 1 x>1
FX ,Y = 1 (e)
(c) (d)
Y
Ejemplo FDPC - FDA

El resto de casos son un poco más complicados y dado el valor de

fX ,Y (x, y ) = 2 en la región triangular, por lo tanto el valor de la
integral es dos veces el área. 4.4 JOINT PROBABILITY DENSITY FUNCTION 163

Y Y
• Cuando (x, y ) se
1 1
encuentra dentro del area
triangular, la integral se y
y
resume a:
Z yZ x X X
x 1 x 1
FX ,Y (x, y ) = 2dudv = 2xy − y 2
0 v
x < 0 or y < 0 0≤y≤x ≤1
(a) (b)
Y Y

1 1

y
y
 Y Y

Ejemplo FDPC - FDA 1 1

y
y

El resto de casos son un poco más complicados yx dado el valor 1

X
de
fX ,Y (x, y ) = 2 en la región triangular, por lo tanto el valor de la
integral es dos veces el área. x < 0 or y < 0 0≤
(a)
Y Y

• Cuando (x, y ) se 1 1

encuentra sobre el area y

y
triangular, la integral se
resume a: X
Z xZ x x 1

FX ,Y (x, y ) = 2dudv = x 2
0 v 0≤x <y 0
0≤x ≤1
(c)
Y
y
1
 Y Y

Ejemplo FDPC - FDA 1 1

y
y

X X
El resto de casos son un poco x más complicados
1 y dado el valor
x 1 de
fX ,Y (x, y ) = 2 en la región triangular, por lo tanto el valor de la
integral es dos veces el área. x < 0 or y < 0 0≤y≤x ≤1
(a) (b)
Y Y
• El caso restante se da
cuando (x, y ) se 1 1

encuentra a la derecha y
y
del area triangular, la
integral se resume a: X X
x 1 1 x
Z yZ 1
FX ,Y (x, y ) = 2dudv = 02y − y2
≤x<y 0≤y≤1
0 v 0≤x ≤1 x>1
(c) (d)
Y
y
1
 Y Y

Ejemplo FDPC - FDA 1 1

y
y

X X
El resto de casos son un poco x más complicados
1 y dado el valor
x 1 de
fX ,Y (x, y ) = 2 en la región triangular, por lo tanto el valor de la
integral es dos veces el área. x < 0 or y < 0 0≤y≤x ≤1
(a) (b)
Y Y
• El caso restante se da
cuando (x, y ) se 1 1

encuentra a la derecha y
y
del area triangular, la
integral se resume a: X X
x 1 1 x
Z yZ 1
FX ,Y (x, y ) = 2dudv = 02y − y2
≤x<y 0≤y≤1
0 v 0≤x ≤1 x>1
(c) (d)
Y
y
1
Ejemplo FDPC - FDA

La FDA resultante corresponde a los 5 casos tal como:



0 x < 0 ó y < 0

2
2xy − y 0≤y ≤x ≤1



FX ,Y (x, y ) = x 2 0 ≤ x < y, 0 ≤ x ≤ 1


2y − y 2 0 ≤ y ≤ 1, x > 1



1 x > 1, y > 1

Ejemplo FDPC - FDA

Un gráfico de la superficie de FX ,Y (x, y ) muestra las diferentes “co-

linas” de cada caso. Sin embargo, en términos de visualizar las va-
riables aleatorias, la FDA es menos útil que el gráfico del área ca-
racterizando la FDPC fX ,Y (x, y )
4.5 MARGINAL PDF 165

0.8

0.6

0.4

0.2

0
1.5
1
1
0.5
0.5
0 0
y x

Figure 4.4 A graph of the joint CDF F X,Y (x, y) of Example 4.5.
Ejemplo FDPC 2

Las variables X y Y tienen la FDPC

(
1/15 0 ≤ x ≤ x, 0 ≤ y ≤ 3,
fX ,Y (x, y ) =
0 Caso Contrario

¿Cuál es la probabilidad P[A] = P[Y > X ]?

 0.6
Ejemplo 0.4
FDPC 2
0.2

0
1.5
Las variables X y Y tienen la FDPC
1
( 1
0.5
1/15 0 ≤ x ≤ x,0.50 ≤ y ≤ 3,
fX ,Y (x, y )y = 0 0
0 Caso Contrariox

¿Cuál es la Figure 4.4 A graph

probabilidad P[A]of the
=joint
P[Y CDF
>FX (x, y) of Example 4.5.
X,Y]?

Integramos fX ,Y (x, y ) sobre la parte del plano que satisfaga Y > X :

plane satisfying Y > X. In this case,
Y ) 3 /) 3 0
Y>X 1
P [A] = dy dx (4.31)
0 x 15
) 3 ,3
3−x (3 − x)2 ,, 3
= dx = − , = . (4.32)
X 0 15 30 ,
0
10

In this example, we note that it made little difference whether we integrate first over y
and then over x or the other way around. In general, however, an initial effort to decide
 0.6
Ejemplo 0.4
FDPC 2
0.2

0
1.5
Las variables X y Y tienen la FDPC
1
( 1
0.5
1/15 0 ≤ x ≤ x,0.50 ≤ y ≤ 3,
fX ,Y (x, y )y = 0 0
0 Caso Contrariox

¿Cuál es la Figure 4.4 A graph

probabilidad P[A]of the
=joint
P[Y CDF
>FX (x, y) of Example 4.5.
X,Y]?

Integramos fX ,Y (x, y ) sobre la parte del plano que satisfaga Y > X :

plane satisfying Y > X. In this case,
Y ) 3 /) 3 0 Z 3 Z 3 
Y>X 1 1
P [A] = P[A] =d y d x dydx
(4.31)
0 x 15 15
0 x
) 3Z 3 ,
3 −3 x − x (3 − x) 2 ,3 2
(3 ,− x)3 3 3
== d x = dx
− = , = . =(4.32)
X 0 15 30 , 10
0 15 030 0 10

In this example, we note that it made little difference whether we integrate first over y
and then over x or the other way around. In general, however, an initial effort to decide
Fdp marginal y fdp condicional

Las funciones de densidad de probabilidad marginal están dadas co-

mo
Z ∞
fX (x) = fX ,Y (x, y )dy ,
Z−∞
∞
fY (y ) = fX ,Y (x, y )dx.
−∞

Las funciones de densidad de probabilidad condicional se definen

como
fXY (x, y )
fX |Y (x|y ) = , fY (y ) > 0,
fY (y )
fXY (x, y )
fY |X (y |x) = , fX (x) > 0.
fX (x)
Ejemplo FDP Marginal

Las variables X y Y tienen la FDPC

(
5y /4 −1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
fX ,Y (x, y ) =
0 Caso Contrario

Encontrar las FDP marginales fX (x) y fY (y ).

 −∞ −∞

Ejemplo FDP
Taking the Marginal
derivative of both sides with
- respect to x (which involves differentiating an int
∞
variable limits), we obtain f X (x) = −∞ f X,Y (x, y) d y. A similar argument holds for fY

Las variables X y Y tienen la FDPC

(
mple 4.7 5y Y/4is −1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
The joint PDF of X and
fX ,Y (x, y ) = 
0 Caso5y/4
Contrario
−1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
f X,Y (x, y) =
0 otherwise.
Encontrar las FDP marginales fX (x) y fY (y ).
Find the marginal PDFs f X (x) and f Y (y).
Cuando. . x. . .<
. . . −1
. . . . .o. . x. . .>
. . .1. . la
. . . f. X
. .,Y
...=
. . . .0. .por
. . . . .lo
. . .tanto
. . . . . . .f.X. .(x).
. . . . .Para
. . . . . . el
.........
We use Theorem
intervalo entre −1 ≤ x ≤ 1: 4.8 to find the marginal PDF f X (x). When x < −1 or whe
f X,Y (x, y) = 0, and therefore f X (x) = 0. For −1 ≤ x ≤ 1,
Y X=x
1 ) 1
5y 5(1 − x 4 )
f X (x) = dy = .
x2 x2 4 8
X
-1 x 1
The complete expression for the marginal PDF of X is

0.5

(x)

4
X
 −∞ −∞

Ejemplo FDP
Taking the Marginal
derivative of both sides with
- respect to x (which involves differentiating an int
∞
variable limits), we obtain f X (x) = −∞ f X,Y (x, y) d y. A similar argument holds for fY

Las variables X y Y tienen la FDPC

(
mple 4.7 5y Y/4is −1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
The joint PDF of X and
fX ,Y (x, y ) = 
0 Caso5y/4
Contrario
−1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
f X,Y (x, y) =
0 otherwise.
Encontrar las FDP marginales fX (x) y fY (y ).
Find the marginal PDFs f X (x) and f Y (y).
Cuando. . x. . .<
. . . −1
. . . . .o. . x. . .>
. . .1. . la
. . . f. X
. .,Y
...=
. . . .0. .por
. . . . .lo
. . .tanto
. . . . . . .f.X. .(x).
. . . . .Para
. . . . . . el
.........
We use Theorem
intervalo entre −1 ≤ x ≤ 1: 4.8 to find the marginal PDF f X (x). When x < −1 or whe
f X,Y (x, y) = 0, and therefore f X (x) = 0. For −1 ≤ x ≤ 1,
Y X=x
1 Z 1) 1 5y
5y 5(1−
5(1 − xx4 )
f X (x)
fX (x) = = dy y=
d= .
2 4
x2 x4 88
X x2
-1 x 1
The complete expression for the marginal PDF of X is

0.5

(x)

4
X
 
5y/4 −1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
f X,Y (x, y) = (4.35)
Ejemplo FDP Marginal 0 otherwise.

Find the marginal PDFs f X (x) and f Y (y).

....................................................................................
We use Theorem 4.8 to find the marginal PDF f X (x). When x < −1 or when x > 1,
f X,Y (x, y) = 0, and therefore f X (x) = 0. For −1 ≤ x ≤ 1,
Y X=x
1 ) 1
5y 5(1 − x 4 )
f X (x) = dy = . (4.36)
x2 x 2 4 8
X
La expresión
-1 xcompleta
1 para la FDP marginal de X .
The complete expression for the marginal PDF of X is

0.5
 5(1−x 4 )
(
f (x)

5(1 − x 4 )/8 8 ≤ x ≤ −1
−1 1, ≤ x(4.37)
≤1
X

f X (x) =
fX (x)
0 = otherwise.
0 0 Caso contrario
−1 0 1
x
For the marginal PDF of Y , we note that for y < 0 or y > 1, f Y (y) = 0. For 0 ≤ y ≤ 1,
we integrate over the horizontal bar marked Y = y. The boundaries of the bar are
√ √
x = − y and x = y. Therefore, for 0 ≤ y ≤ 1,
Ejemplo FDP Marginal
Para la FDP marginal de Y , notamos que y < 0 o y > 1, fY (y ) = 0.

4.6 FUNCTIONS OF TWO RANDOM VARIABLES

Y
1
) √y , √
Y=y 5y 5y ,,x= y
f Y (y) = √ dx = x = 5y 3/2 /2. (4.
X − y 4 4 ,x=−√ y
-1 -y
1/2
y1/21
The complete marginal PDF of Y is
3
2 
f (y)

(5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y

1 (4.
0 otherwise.
0
−1 0 1
y

The joint probability density function of random variables X and Y is

Ejemplo FDP Marginal
Para la FDP marginal de Y , notamos que y < 0 o y > 1, fY (y ) = 0.
• Para 0 ≤ y ≤ 1,
4.6 FUNCTIONS OF TWO RANDOM VARIABLES
podemos integrar sobre
la linea horizontal
Y
1 Y = y . Los lı́mites de la
) √son √ ,x=√ y
Y=y lı́nea ,
y 5yx = − 5yy y
f Y (y) = √ , 3/2
X x =−√yy 4 d x = 4 x ,x=−√ y = 5y /2. (4.
-1 -y
1/2
y1/21 √
The complete marginal PDF of Y is Z y √
5y 5y x= y
3 fY (y ) = √
dy = x √ = 5y 3/2 /2
− y 4 4 x=− y
2 
f (y)

(5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y

1 (4.
0 otherwise.
0
−1 0 1
y

The joint probability density function of random variables X and Y is

Ejemplo FDP Marginal
Para la FDP marginal de Y , notamos que y < 0 o y > 1, fY (y ) = 0.
• Para 0 ≤ y ≤ 1,
4.6 FUNCTIONS OF TWO RANDOM VARIABLES
podemos integrar sobre
la linea horizontal
Y
1 Y = y . Los lı́mites de la
) √son
4.6 FUNCTIONS √ ,x=√
OF TWO RANDOM VARIABLES 167
Y=y lı́nea ,
y 5yx = − 5yy y y
f Y (y) = √ , 3/2
Y X x =−√yy 4 d x = 4 x ,x=−√ y = 5y /2. (4.
1
-1 -y
1/2
y1/21 ) √y ,x=√ y
Y=y √ 5y ,, √
The complete marginal PDF of Y= is √ Z5y dy x 5y
f Y (y) = x 5y 5y 3/2y/2.
= x= (4.38)
X f (y ) −
= y 4 4 ,=
dy x=−
√
y x = 5y 3/2 /2
3 1/2 Y √
-1 -y y 1
1/2 √ 4
− y 4 x=− y
The
2 complete marginal PDF of Y is 
f (y)

3 (5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y

1 (4.
0 otherwise.
2 
f (y)

0 (5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y

1 −1 0 1 (4.39)
0 otherwise.
0 y
−1 0 1
y

The joint probability density function of random variables X and Y is

Ejemplo FDP Marginal
Para la FDP marginal de Y , notamos que y < 0 o y > 1, fY (y ) = 0.
• Para 0 ≤ y ≤ 1,
4.6 FUNCTIONS OF TWO RANDOM VARIABLES
podemos integrar sobre
la linea horizontal
Y
1 Y = y . Los lı́mites de la
) √son
4.6 FUNCTIONS √ ,x=√
OF TWO RANDOM VARIABLES 167
Y=y lı́nea ,
y 5yx = − 5yy y y
f Y (y) = √ , 3/2
Y X x =−√yy 4 d x = 4 x ,x=−√ y = 5y /2. (4.
1
-1 -y
1/2
y1/21 ) √y ,x=√ y
Y=y √ 5y ,, √
The complete marginal PDF of Y= is √ Z5y dy x 5y
f Y (y) = x 5y 5y 3/2y/2.
= x= (4.38)
X f (y ) −
= y 4 4 ,=
dy x=−
√
y x = 5y 3/2 /2
3 1/2 Y √
-1 -y y 1
1/2 √ 4
− y 4 x=− y
The
2 complete marginal PDF of Y is 
f (y)

3 (5/2)y
• La FDP 3/2 0 ≤ y ≤ 1,
marginal
fY (y) =
Y

1 (4.
0 de Y es:
completa otherwise.
2 
f (y)

0 (5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y

1 −1 0 1 (4.39)
0( otherwise.
0 y y ≤1 (5/2)y 3/2 0 ≤
−1 0 1 fY (y ) =
y 0 Caso contrario
The joint probability density function of random variables X and Y is
Teorema de Bayes e independencia estadı́stica

El teorema de Bayes para variables aleatorias continuas está dado

como
fY |X (y |x)fX (x)
fX |Y (x|y ) = Z ∞ .
fY |X (y |x)fX (x)
−∞

Se dice que dos variables aleatorias X y Y son estadı́sticamente

independientes si

fXY (x, y ) = fX (x)fY (y ).

Valor esperado de dos variables aleatorias

El (k, n)-ésimo momento de la v.a. bivariada (X , Y ) se define como

Z ∞Z ∞
k n
E [X Y ] = x k y n fXY (x, y )dx dy .
−∞ −∞
Valores esperados condicionales

La media condicional se define como

Z ∞
µX |y = E [X |y ] = xfX |Y (x|y )dx,
−∞
Z ∞
µY |x = E [Y |x] = yfY |X (y |x)dy .
−∞

La varianza condicional se define como

Z ∞
2 2
σX |y = E [(X − µX |y ) |y ] = (x − µX |y )2 fX |Y (x|y )dx,
−∞
Z ∞
σY2 |x = E [(Y − µY |x )2 |x] = (y − µY |x )2 fY |X (y |x)dy .
−∞
Correlación

El valor esperado E [XY ] se define como la correlación entre X y Y .

Si E [XY ] = 0 se dice que X y Y son ortogonales.

Covarianza

la covarianza de X y Y , denotada como σXY o como cov(X , Y ) se

define como.

σXY = cov(X , Y ) = E [(X − µX )(Y − µY )],

= E [XY ] − E [X ]E [Y ].

Si σXY = 0 se dice que X y Y no están correlacionadas.

Coeficiente de correlación

El coeficiente de correlación se define como.

E [(X − µX )(Y − µY )] σXY
ρXY = = .
σX σY σX σY

Se tiene que |ρXY | ≤ 1.

El coeficiente de correlación entre X y Y mide la dependencia lineal

entre X y Y .
Correlación e independencia (I)

Si X y Y no están correlacionadas se tiene que E [XY ] = E [X ]E [Y ].

Si X y Y son independientes, luego puede demostrarse que no están

correlacionadas.

Lo contrario no es cierto en general: el hecho que X y Y no estén

correlacionadas, no implica necesariamente que sean independientes.
Correlación e independencia (II)
Contenido

Variables aleatorias Bivariadas

Espacio muestral
Funciones de distribución
Variables aleatorias bivariadas discretas
Variables aleatorias bivariadas continuas
Correlación e independencia

Vectores aleatorios
Definiciones
Función de densidad de probabilidad Gaussiana multivariada
Otras fdp multivariadas
Función de distribución de vectores aleatorios

Un vector aleatorio es un vector cuyos elementos individuales son

variables aleatorias.
 >
X1 , X2 , . . . , Xm , donde Xi es una v.a.

La ley de probabilidad para un vector aleatorio se especifica en térmi-

nos de la función de distribución acumulada conjunta.

FX1 X2 ...Xm (x1 , x2 , . . . , xm ) = P(X1 ≤ x1 ∩ X2 ≤ x2 ∩ · · · ∩ Xm ≤ xm ).

También se puede especificar en términos de la función de probabili-

dad de masa conjunta (para v.a. discretas) o la función de densidad
de probabilidad conjunta (para v.a. continuas).

En lo que sigue se analiza el caso de vectores aleatorios compuestos

por v.a. continuas.
Fdp conjunta y marginal (I)

La fdp conjunta de un vector aleatorio de m dimensiones es la deri-

vada parcial de la función de distribución acumulada conjunta.

∂ m FX1 X2 ...Xm (x1 , x2 , . . . , xm )

fX1 X2 ...Xm (x1 , x2 , . . . , xm ) = .
∂x1 ∂x2 . . . ∂xm

La fdp marginal de una de las variables aleatorias Xi , para 1 ≤ i ≤

m se obtiene integrando con respecto a todas las otras variables
aleatorias Xj 6= Xi . Por ejemplo, para X1
Z ∞ Z ∞
fX1 (x1 ) = ··· fX1 X2 ...Xm (x1 , x2 , . . . , xm )dx2 . . . dxm .
−∞ −∞
Fdp conjunta y marginal (II)

Si se quiere la fdp conjunta de (Xi , Xj ), se marginaliza integrando

a los Xk tal que k 6= i y k 6= j. Por ejemplo, la fdp conjunta para
(X1 , X2 )
Z ∞ Z ∞
fX1 X2 (x1 , x2 ) = ··· fX1 X2 ...Xm (x1 , x2 , . . . , xm )dx3 . . . dxm .
−∞ −∞
Fdp condicional

La fdp condicional es la fdp de un subconjunto de variables aleatorias

del vector aleatorio dado otro subconjunto de variables aleatorias del
mismo vector.

Ejemplos de fdp condicionales son

fX1 X2 X3 X4 (x1 , x2 , x3 , x4 )
fX1 X2 X3 |X4 (x1 , x2 , x3 |x4 ) = ,
fX4 (x4 )
fX X X X (x1 , x2 , x3 , x4 )
fX1 X2 |X3 ,X4 (x1 , x2 |x3 , x4 ) = 1 2 3 4 .
fX3 ,X4 (x3 , x4 )
Valores esperados

Los valores esperados se calculan usando múltiples integrales.

Por ejemplo
Z ∞ Z ∞
E [X1 , . . . , Xm ] = ··· x1 . . . xm fX1 ...Xm (x1 , . . . , xm )dx1 . . . dxm .
−∞ −∞

Igualmente, los valores esperados condicionales se calculan usando

funciones de densidad de probabilidad condicionales.
Medias y covarianzas

Dos momentos estadı́sticos de importancia en vectores aleatorios son

las medias y las covarianzas.

La media está dada como

µXi = E [Xi ].

Las covarianzas están dadas como.

σXi Xj = E [Xi Xj ] − µXi µXj .

Notación vectorial (I)

La ley de probabilidad para vectores aleatorios puede especificarse

de manera concisa usando notación vectorial.

Suponga un conjunto de m variables aleatorias X1 , X2 , . . . , Xm .

Estas variables aleatorias pueden representarse como un vector co-

lumna de dimensiones m × 1,
 
X1
 X2 
X =  . .
 
 .. 
Xm

Un valor especı́fico de X se denota como x> = x1 , x2 , . . .

 
, xm .
Notación vectorial (II)
Con notación vectorial, la probabilidad conjunta está dada como

fX (x) = fX1 X2 ...Xm (x1 , x2 , . . . , xm ).

El vector de medias se define como,

 
E [X1 ]
 E [X2 ] 
µX = E [X] =  .  .
 
 . .
E [Xm ]

La matriz de covarianza se define como

 
σX1 X1 σX 1 X 2 ··· σX1 Xm
 σX X
 2 1 σX 2 X 2 ··· σX2 Xm 
cov(X) = ΣX = E [XX> ] − µX µ> X = ..  .

. ..
 .. ··· . . 
σXm X1 σXm X2 ··· σXm Xm
Notación vectorial (III)

La matriz de correlación está definida como

 
ρX1 X1 ρX1 X2 ··· ρX1 Xm
 ρX X
 2 1 ρX2 X2 ··· ρX2 Xm 
R= . ..  .

 .. ..
··· . . 
ρXm X1 ρXm X2 ··· ρXm Xm
Fdp Gaussiana multivariada

Se dice que un vector aleatorio es Gaussiano multivariado si su fdp

sigue la forma
 
1 1 > −1
fX (x) = exp − (x − µ) Σ (x − µ) ,
(2π)m/2 |Σ|1/2 2

donde µ es el vector de medias, Σ es la matriz de covarianza, |Σ|

es el determinante de Σ y Σ−1 es la inversa de la matriz Σ.

La notación de la fdp Gaussiana multivariada es la siguiente

fX (x) = N (x|µ, Σ).

Propiedades de la fdp Gaussiana multivariada (I)

Suponga que X es un vector aleatorio que sigue una fdp Gaussiana.

Si se particiona el vector de v.a. X de la siguiente forma
   
X1 Xk+1
  X2  Xk+2 
X1
X= , X1 =  .  , X2 =  . 
   
X2  ..   .. 
Xk Xm
y
   
µ1 Σ11 Σ12
µ= , Σ= .
µ2 Σ21 Σ22

donde µi = E [Xi ] y Σij = E [Xi X> >

j ] − µi µj , luego X1 sigue una fdp
Gaussiana multivariada de k dimensiones con un vector de media µ1
y matriz de covarianza Σ11 .
Propiedades de la fdp Gaussiana multivariada (II)

Empleando la partición del vector X como se vio anteriormente, la

fdp condicional de X1 dado X2 = x2 es Gaussiana multivariada con
los siguientes momentos

µ1|2 = E [X1 |X2 = x2 ] = µ1 + Σ12 Σ−1

22 (x2 − µ2 )
Σ1|2 = Σ11 − Σ12 Σ−1
22 Σ21

Las propiedades anteriores indican que la fdp marginal, y la fdp condi-

cional de una fdp Gaussiana multivariada conducen a fdp Gaussianas
multivariadas.
Propiedades de la fdp Gaussiana multivariada (III)

Si Σ es una matriz diagonal, esto es,

 2 
σX1 0 0 ... 0
 0 σ2 0 ... 0 
X2
Σ= . ,
 
.. .. . . ..
 .. . . . . 
0 0 0 ... σX2 m

luego las componentes de X son independientes (En el caso Gaus-

siano, la no correlación implica independencia, lo cual no es necesa-
riamente cierto con otras fdp).
Fdp Student’s t (I)

La función de densidad de probabilidad Student’s t, de una vector

aleatorio X, sigue
−m/2−υ/2
Γ(m/2 + υ/2) |Λ|1/2 ∆2

fX (x) = St(x|µ, Λ, υ) = 1+ ,
Γ(υ/2) (πυ)m/2 υ

donde m es la dimensionalidad de x, ∆ es la distancia de Mahalanobis

definida como ∆2 = (x − µ)> Λ(x − µ), υ es un parámetro que se
conoce como el grado de libertad y Γ(h) es la función Gamma.

La fdp Student’s t se obtiene como

Z ∞
St(x|µ, Λ, υ) = N (x|µ, (ηΛ)−1 ) Gamma(η|υ/2, υ/2)dη
0
Fdp Student’s t (II)

La función de densidad de probabilidad Student’s t, satisface las

siguientes propiedades

E [X] = µ, si υ > 1,
υ −1
cov(X) = υ−2 Λ , si υ > 2.
Fdp Multinomial (I)
Un dado de m caras se lanza n veces.

Sea X un vector aleatorio X = [X1 , . . . , Xm ], donde Xj es el número

de veces que ocurre la cara j del dado.

El vector X tiene la siguiente fpm conjunta

 m
Y
n x
p(X = x) = Mu(x|n, θ) = θj j ,
x1 . . . xm
j=1

donde θj es la probabilidad de que aparezca la cara j, y

 
n n!
= ,
x1 . . . xm x1 !x2 ! . . . xm !

es el coeficiente multinomial.
Fdp Multinomial (II)

El coeficiente multinomial es el númeroPde formas en que se puede

m
dividir un conjunto de tamaño n = i=1 xi en subconjuntos de
tamaños x1 hasta xm .

Ahora suponer que n = 1.

Esto equivale a lanzar un dado de m caras una vez, de forma tal que
X será un vector de ceros y unos, un vector de bits, para el cual sólo
un bit está encendido.
Fdp Multinomial (III)

De esta forma si m = 3 el vector X puede tomar uno de tres valores

[0, 0, 1]> , [0, 1, 0]> , y [1, 0, 0]> .

En este caso la fpm para X tiene la siguiente forma

m
x
Y
Mu(x|1, θ) = θj j
j=1

A esta distribución se la conoce como distribución categórica.

Fdp Dirichlet (I)

La fdp Dirichlet es una extensión multivariada de la distribución

Beta.

La fdp Dirichlet tiene soporte sobre el simplex de probabilidad Sm

definido como.
m
X
Sm = {x : 0 ≤ xk ≤ 1, xk = 1}
k=1

Un simplex en la generalización de la noción de triángulo a un número

arbitrario de dimensiones.
Fdp Dirichlet (II)

La fdp Dirichlet está definida como.

m
Γ(α0 )
xkαk −1 ,
Y
Dir(x|α) =
Γ(α1 ) . . . Γ(αm )
k=1

donde
m
X m
X
0 ≤ xk ≤ 1, xk = 1, α0 = αk
k=1 k=1

Los parámetros {α1 , . . . , αm } se llaman parámetros de concentración

con αk > 0.
Fdp Dirichlet (III)

La fdp Dirichlet tiene las siguientes propiedades

αk αk (α0 − αk )
E [xk ] = , var[xk ] = .
α0 α02 (α0 + 1)

Por ejemplo
• Dir(1, 1, 1) → distribución uniforme.
• Dir(2, 2, 2) → distribución ancha centrada en ( 13 , 13 , 13 ).
• Dir(20, 20, 20) → distribución angosta centrada en ( 13 , 31 , 13 ).
Fdp Dirichlet (IV)

Sup. Izq. Simplex para m = 3. Sup. Der. Dir(2,2,20). Inf.

Dir(20,2,2)
Fdp Dirichlet (V)