Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
197
____________________________________________________________________________________________

Vectores aleatorios bidimensionales continuos ( v.a.b.c. ):

Comencemos por
bidimensional continuo:

definir

el

concepto

de

vector

aleatorio

DEFINICIN:

Sea M un espacio muestral continuo, se dice que X es un vector

aleatorio bidimensional ( bivariado) continuo a la funcin:

X :M

IR

IR

Tal que

,x

,y

x, y

IR

IR

siendo M un espacio muestral continuo .

El vector aleatorio

puede representarse por:

X ( X ,Y ) : M
IR

X ( M ) ( X ( M ), Y ( M ))
Obs.:

IR ,es decir,

v.a.b.c. ss X e Y son v.a.c. unidimensionales.

DEFINICIN:

Sea X ( X , Y ) un

v.a.b.c. ,

se define la densidad probabilstica

conjunta (f.d.p.c.) denotada por f X ( x, y )

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
198
____________________________________________________________________________________________

R X

f X : D

IRxIR

0,
f X

x, y
satisfaciendo las siguientes condiciones:
1)

f X x, y

x, y

f X ( x, y ) I D ( x, y )dydx

2)

Una vez definida la funcin de densidad conjunta del v.a.b.c. X

podemos definir otras funciones importantes.
DEFINICIN:

X
( X , Y ) un
Sea

v.a.b.c. , con funcin de densidad probabilstica

conjunta f X , se definen las funciones de densidad marginales como:

1) la de X como

f X ( x)

f X ( x, y) I DY ( y)dy

DX

2) la de Y como

fY ( y)

f X ( x, y) I DX ( x)dx

DY

Estas funciones deben cumplir las siguientes condiciones:

i)

f X ( x) I DX ( x)dx 1

ii)

f Y ( y ) I DY ( y )dy 1

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
199
____________________________________________________________________________________________

DEFINICIN:

Sea X ( X , Y ) un
conjunta

v.a.b.c. , con funcin de densidad probabilstica

f X , se define la funcin de distribucin conjunta como:

FX : IR IR

0,1
FX (x , y )

(x , y )

FX (x , y )

IP X

x; Y

DEFINICIN:

X
( X , Y ) un
Sea

v.a.b.c. , con f X ,

densidad probabilstica conjunta

IP X

x; Y

f X ( x, y ) I D ( x, y )dydx

f X (x) y f Y ( y ) funciones

de

y de densidad marginal de X y de Y

respectivamente, se definen las funciones de distribucin marginal:

1) de X como:

FX :

IR

0,

FX ( x)

IP( X

x)

donde

FX ( x)

IP ( X

x)

f X ( x) I Dx ( x)dx

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
200
____________________________________________________________________________________________

2) de Y como

FY :

IR

0,

FY ( y )

IP(Y

y)

donde

FY ( y )

IP (Y

y)

Nota: FX x

FX x,

DEFINICIN:

Sea X ( X , Y ) un

FY y

fY ( y ) I DY ( y )dy
FX , y

v.a.b.c. , con f X ,

f X (x) y f Y ( y ) funciones

densidad probabilstica conjunta y de densidad marginal de X

de

y de Y

respectivamente. Se define la funcin de densidad condicional de X dado

Y= y como:

f X Y

Nota:

( y)

f X ( x, y )
fY ( y )

( y)

con

solo indica la dependencia que tiene de

fY (y) 0

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
201
____________________________________________________________________________________________

Anlogamente se define la funcin de densidad probabilstica condicional

de Y dado X= x como:

f Y X
Nota:

(x)

f X ( x, y )
f X ( x)

( x)

si

solo indica la dependencia que tiene de

TEOREMA:

Sea X

( X , Y ) un

v.a.b.c. , con f X ,

f X (x) 0
x

f X (x) y f Y ( y ) funciones

densidad probabilstica conjunta y de densidad marginal de X

de

y de Y

respectivamente.
Entonces las v.a.c. X e Y son independientes ssi

f X ( x , y )

( x, y)

f X ( x) f Y ( y)

COROLARIO:
Si X e Y son v.a.c. independientes

f (X /Y

y)

f X ( x)

f (Y / X

x)

f Y ( y)

Obs: todas las definiciones y teoremas dados para el caso bidimensional

pueden generalizarse a ms dimensiones en forma natural.

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
202
____________________________________________________________________________________________

Esperanza de vectores aleatorios bivariados continuos y sus

propiedades.
DEFINICIN:

Sea X ( X , Y ) un

v.a.b.c. , con funcin

conjunta f X ( x , y ) y sea
funcin continua entonces si

g:D

de densidad probabilstica

IR IR

g ( x, y ) f X ( x, y ) I D ( x, y )dydx

IR ,

una

< ,

se define la esperanza de g(x,y) como nmero dado por:

E g ( x, y )

g ( x, y ) f X ( x, y ) I D ( x, y )dydx

(**)

****************************************************
Nota:
Si g ( x, y ) X
(**) da la esperanza marginal de X : E X
Si g ( x, y) Y
(**) da la esperanza marginal de Y : E Y
Si g ( x, y )

X2

(**) da la esperanza de X 2 : E X 2

Si g ( x, y )

Y2

(**) da la esperanza de Y 2 : E Y 2

Si g ( x, y )

(X

Si g ( x, y )
Si g ( x, y)

(Y IE[Y ]) 2
XY

IE [ X ]) 2

(**) da la varianza marginal de X : V X

(**) da la varianza marginal de Y : V Y
(**) da la esperanza de XY : E XY

DEFINICIN:

Sea X ( X , Y ) un v.a.b.c. , con funcin de densidad probabilstica

conjunta f X ( x , y ) .Sea X e Y variables aleatorias continuas tal que existe

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
203
____________________________________________________________________________________________

la esperanza de cada una de ellas, se llama la covarianza de X e Y al

nmero denotado por:

Cov( X , Y )

IE X

IE X Y

IE Y

IE XY

IE X IE Y

PROPIEDADES
E kX = kE X
k constante.
Ek =k
k constante.
E X+Y = E X +E Y
X e Y v.a.
E aX+bY = aE X +bE Y
X, Y v.a. y
a,b constantes.
E XY = E X E Y
si X,Y son v.a. independientes.
V kX = k 2 V X
k constante.
Vk =0
k constante.
V X+Y = V X +V Y +2COV(X,Y)
X,Y v.a.
V X+Y = V X +V Y
si X e Y son v.a. independientes.
2
2
V aX+bY =a V X +b V Y +2abCov(X,Y)
X,Y v.a.
constantes.
Cov(X1,X2) = Cov(X2,X1)
Cov(X,X) = V X
Si X1, X2 son independientes, entonces Cov(X1,X2) = 0
n

a,b

i Xi

i 1

X i v.a. y

E Xi

con i=1,2......n constantes.

i 1

n
i

i 1

Xi

i
i 1

V Xi

Cov( X i , X j )

i j

********************************************************
DEFINICIN:

Sea X ( X , Y ) un v.a.b.c. , con funcin de densidad probabilstica

conjunta f X ( x , y ) y covarianza de X e Y. Se define el coeficiente de
correlacin al nmero:

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
204
____________________________________________________________________________________________

Cov( X , Y )
XY

V X )(V Y

Nota:
1. El coeficiente de correlacin mide el grado de asociacin que
tienen las variables aleatorias X e Y.
2. Si X e Y son independientes entonces la correlacin es cero.
3. Una propiedad es que su valor est en el intervalo -1,1 .
4. Si Z=aX+b y W=cY+d
donde a,b,c,d son constantes
entonces

ac
ac

ZW

XY

Ejemplo:

K (x2

f ( x, y )

xy 2 ) I D ( x, y )

Encuentre el valor de K para que esta funcin sea una f.d.p.c.

Considerando la regin D encerrada por y

x
2

2 , como en la

figura

1
y

x
2

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
205
____________________________________________________________________________________________

Entonces:
x
2 2

x2

xy 2 dydx 1

0 0
2

x
2

1 3
x2 y
xy
3
4

x
8

x
120

dx
0

1
K

x3
2

x4
dx
24

1
K

1
K

15
34

Ahora la funcin de densidad marginal de X es

x
2

fX x

fX x

15 2
x
34
0

xy 2 dy

15 x 3
34 2

x4
I 0, 2 x
24

fX x

15 2
x y
34

xy 3
3

x
2

Tarea para el lector: Comprobar que:

f X x I 0, 2 x dx 1

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
206
____________________________________________________________________________________________

Y la funcin de densidad marginal de Y es

3

15 2
x
34
2y

fY y

fY y

fY y

xy dx

15 8 8 y 3
34 3 3

2y2

15 x
34 3

x y
2

2y

2 y 4 I 0,1 y

Como tarea para el lector se propone comprobar que:

fY y I 0,1 y dy 1
Esperanzas Condicionales
DEFINICIN:

X
Sea

fX /Y

( X ,Y )

v.a.b.c. con

f.d.p.c.

f X ( x , y )

y sea

( x) la funcin de densidad condicional de X dado Y = y, se

define la esperanza condicional de X dado Y = y como el nmero:

E X

xf X / Y y ( x) I D ( x)dx

***********************************************************************

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
207
____________________________________________________________________________________________

DEFINICIN:

Sea X

fY / X

( X , Y ) v.a.b.c.

con

f X ( x , y )

f.d.p.c.

sea

( y)

la funcin de densidad condicional de Y dado X = x, se

define la esperanza condicional de Y dado X =x como el nmero:
x

EY

yf Y / X x ( y ) I D ( y )dy

**********************************************************************

DEFINICIN:

X
( X , Y ) v.a.b.c. con f.d.p.c. f X ( x , y ) y sea f X / Y y ( x )
Sea
la funcin de densidad condicional de X dado Y = y, se define la varianza
condicional de X dado Y = y como el nmero positivo:
2

V X

E X

E X

en que
2
X
E

x 2 f X / Y y ( x) I D ( x)dx

*************************************************************

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
208
____________________________________________________________________________________________

DEFINICIN:

Sea X ( X , Y ) v.a.b.c. con f.d.p.c. f X ( x , y ) y sea fY / X x ( y ) la

funcin de densidad condicional de Y dado X = x, se define la varianza
condicional de Y dado X =x como el nmero positivo:
2

V Y

E Y

E Y

en que
2
Y
E

x
2

IE ( y x

x) =
0

x
2

IE ( y

x) =
0

y( x 2
x3
2

y 2 f Y / X x ( y ) I D ( y )dy

xy 2 )
dy
x4
24

y 2 ( x 2 xy 2 )
dy
x3 x4
2 24

1 4
xy
= 4
1 3
x
2

1 2 2
x y
2
1 4
x
24

1 5
xy
5
=
1 3
x
2

1 2 3
2
x y
8 y 3 (3 y 2 5 x) x (3 x 20 )
3
=
=
2
20 (12 x )
1 4
5
x
(
12
x
)
x
24

x
2

=
0

6 y 2 ( y 2 2 x) 3 x( x 8)
=
8(12 x)
x 2 (12 x)

Calculo de la Varianza:
V(y x

x ) = IE ( y 2 x

x ) + (IE ( y x

x 2 (3 x 20 )
=
20 (12 x )

x )) 2

x 2 (3x 20)
20(12 x)

176x 3x 2 960
12 x 2

----------------O-----------------

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
209
____________________________________________________________________________________________

IE x

x x xy
dx
3
8
8
y
2
4
2y
2y 2y
3 3

1 4 1 2 3
x
y x
4
3
8 8 3
y 2y2 2y4
3 3

x 3 3x 4 y 2
8 4 4 y3 3y 2 3y 4

2 2 y 4 5y3 5y 2 3y 3
3y3 7 y 2 4 y 4

IE x

x x xy
dx
8y3
2
4
2y 8
2y 2y
3 3

1 5 1 2 4
x
y x
5
4
8 8 3
y 2y2 2y4
3 3

3x 4 4 x 5 y 2
40 4 4 y 3 3 y 2 3 y 4

6 5 y 5 13 y 4 13 y 2 8 y 8
5 3y3 7 y 2 4 y 4
Calculo de la Varianza

V x

IE x

IE x

6 5 y 5 13 y 4 13 y 2 8 y 8
5 3y3 7 y 2 4 y 4

2 2 y 4 5y3 5y 2 3y 3
3y3 7 y 2 4 y 4

2 5 y 8 22 y 7 14 y 5 13 y 4 48 y 3 30 y 2 12 y 6
5 3y3 7 y 2 4 y 4

Distribucin Multinormal. (Normal K-variada)

Anteriormente se estudi la distribucin normal de una variable
aleatoria. El concepto de distribucin normal puede extenderse para incluir
varias variables aleatorias y en particular la distribucin normal k-variada
se emplea de manera extensa para describir el comportamiento
probabilstico de dos o ms variables.

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
210
____________________________________________________________________________________________

Definicin:

Se dice que el vector x (x1,x2,x3,.....xk) se distribuye como una normal kvariante ssi su f.d.p.c. se distribuye de la siguiente forma:

f x x1, x2 ,...xk

donde

2
x1 , x 2 ,........ x k
1 , 2 ,......, k

IE x

2
1

1
x
2

cov x 1 , x 2

cov x 1 , x 3 ........

cov x 1 , x k

2
2

cov x 2 , x 3 .......

cov x 2 , x k

=
2
k

k *k

Esta ltima matriz se conoce como matriz de varianzas y covarianzas, ella

es simtrica pues la Cov( Xi , Xj )= Cov( Xj , Xi ) para todo i distinto de j.
Observacin:

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
211
____________________________________________________________________________________________

Todas las f.d.p. marginales son normales de dimensiones menores.

Lo interesante de esta distribucin es el poder encontrar las distintas
marginales de la distribucin normal k-variada .
Ejemplo:
1.1.-Encontrar las f.d.p. marginales f x1 x1 , x 3 , x 4 , f x2 x 2 , x5 , x 6
provenientes de una normal k-variada con k=6 con vector de medias

1,3,2, 1, 4,6

y cuya matriz de varianzas y covarianzas es:

1 0 6 3 0

5 1 4

2 0
3

3
2

1
0

2
2

Para encontrar estas marginales cabe recordar que como estas

tambin se distribuyen en forma normal, solo se debe buscar en los
subndices pedidos el respectivo vector de medias y dejar las filas y
columnas relacionadas de la matriz de varianzas y covarianzas de
acuerdo a las marginales pedidas.
Entonces tenemos que la distribucin para el primer caso ser:

f x1 x1 , x3 , x4 N
1
donde

1,2, 1

6 3
2 0
3

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
212
____________________________________________________________________________________________

y para el segundo

f x2 x2 , x5 , x6 N
1

donde

3, 4,6

0 2
4 2

Un caso particular en normales k-variadas es la normal bivariada la cual

se representa de la siguiente forma:

f y x 1 , x 2 N 2

donde

1,

,
2
1

cov x 1 , x 2

2
2

o bien,
1

fY x, y

1
2

2
XY

2
XY

2 1

2
XY

y
y

y
y

donde
x
XY

IE X

IE Y

2
X

Var ( X ) ,

2
Y

Var (Y )

es el coeficiente de correlacin entre las variables X e Y definido con

anterioridad (

XY

1 ).

Nota: ahora bien, si hacemos XY =0 logramos obtener las condiciones

necesarias de independencia entre las variables X e Y en la distribucin
normal bivariada, sta adems de ser necesaria, es una condicin
suficiente por lo siguiente:

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
213
____________________________________________________________________________________________

f X x, y

1 x
2

1 x
2

x
x

2
y
y

1 x
2

1 x
2

2
y
y

Por lo tanto se obtiene que

f X ( x , y )

( x, y)

f X ( x) f Y ( y)

donde f X ( x) y f Y ( y ) son las funciones de densidad marginales

normales univariadas de X e Y respectivamente.

Propiedades.
1.-

IE X

2.- X N

X
3.- f
Y

f Y

4.- IE X Y

X
5.- V
Y

2
x

IE Y

&

Y N

y
x

y1

son las esperanzas marginales

2
y

,
y1

XY

;1

2
x

XY

x1

XY

x1

;1

2
XY

2
y

y1

y1

XY

IE Y

y1

2
XY

2
x

,V Y

x1

x1

XY

x1

2
XY

2
y

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
214
____________________________________________________________________________________________

Observacin:
Si sabemos que X se distribuye en forma Normal con parmetros

2
1

y la variable Y tambin se distribuye Normal con parmetros

2
2

entonces la variable Z= X+Y tambin se distribuir normal con

parmetros

Z~N

2
1

2
2

2 cov X , Y .

Un caso especial es cuando las variables son independientes lo que

implicara que la covarianza es 0 por lo tanto

Z~N

2
1

2
2

Ejercicio Resueltos.
1.-Sea f x x1 , x2 , x3 , x4 ~ N

con

4 0

1 2

3 4

1,2, 3,1 y

16 7
4
Encontrar la distribucin de Z=3x1+x2+x3-2x4.
Desarrollo.i)Mtodo 1.-

Z~N ,

E[Z]= = 3E[x1]+E[x2]+E[x3]-2 E[x4] = 3*1+2-3-2*1 =0

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
215
____________________________________________________________________________________________

V[Z]= 9V(X1)+ V(X2)+ V(X3)+4V(X4)+2[cov(3X1 ,X2) + 3cov(X1 ,X3) +

cov(3X1,-2X4) + cov(X2 ,X3) + cov(X2 ,-2X4) + cov(X3,-2X4)]
V[Z]= 9*4+9+16+4*4+2( 3*0+3*(-1)-6*2+3-2*4-2*(-7))= 65

Z ~ N 0 , 65
ii) Mtodo 2. En forma matricial.

Z=[x1, x2, x3, x4]

x1 , x 2 , x 3 , x 4

1
1
2

3
EZ

1,2, 3,1

1
1

=3+2-3-2=0

V[Z]= E[(Z-E[Z])(Z-E[Z])]= E[(XA- A)(XA- A)]= E[A(X- )(X- )A]

= A E[(X- )(X- )]A =A A

VZ

1,2, 3,1

16

7
4
V Z

3,1,1, 2

30
5

V[Z]=21+4+30+10=65

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
216
____________________________________________________________________________________________

2.-Durante aos en un test de conocimiento se efectan dos

evaluaciones con 3 preguntas cada una. Los rendimientos en las seis

X ~ N6 ,

preguntas se pueden asociar a un vector normal

donde

X x1 , x 2 , x 3 , x 4 , x 5 , x 6 en que xi se asocia al resultado de la pregunta i

con i=1,2,...,6.
La evaluacin 1 corresponde a la suma de las preguntas impares y
la evaluacin 2 corresponde a la suma de las preguntas pares.
Datos:

10 ,12 ,9,14 ,13,11

4 1

0
6

4
0

2
0

2
6

a) Determinar la probabilidad que la evaluacin 2 sea mayor que 32.

b) Determinar la probabilidad que la evaluacin 2 sea mayor que la
evaluacin 1.
c) Si 30 alumnos rinden las 2 evaluaciones, Cul es la probabilidad que
al menos 6 alumnos tengan una evaluacin 1 menor que la 2?.
Desarrollo.a) Se sabe que la evaluacin 2 est compuesta por la suma de las
respuestas pares, por lo tanto, si definimos W y S como:
W = la evaluacin 1 y S = la evaluacin 2

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
217
____________________________________________________________________________________________

Pregunta2 f x2 x2 ~ N

2
2

Pregunta4 f x4 x4 ~ N

2
4

Pregunta6 f x6 x6 ~ N

2
6

Por lo que E[X2+X4+X6]=

2+ 4+ 6

=12+14+11 = 37

V[X2+X4+X6]= V(X2)+V(X4)+V(X6)+2 [cov(X2,X4)+cov(X2,X6)+ cov(X4,X6)]

=5+6+6+2*2+2*1+2*0 =23

S ~ N 37 ,23 entonces para el clculo de la probabilidad tenemos lo

siguiente:

PS

32

S 37
23

32 37
23

1 PZ

1.043

= 1- (-1.0426) = 0.8515
b)Si hacemos R = S-W entonces tenemos que encontrar la
probabilidad de que R>0 y como sabemos que R se distribuye en forma
Normal slo falta encontrar sus parmetros.

S ~ N 37 ,23 y W ~ N 32 ,15
R~N s
Vw 2 cov S ,W
w ; Vs
Para el clculo de la varianza de S con W tenemos lo siguiente:
Cov[X2+X4+X6 , X1+X3+X5 ]= [cov(X2,X1) + cov(X2,X3) + cov(X2,X5) +
cov(X4,X1) + cov(X4,X3) + cov(X4,X5) + cov(X6,X1) +cov(X6,X3) + cov(X6,X5)]
Cov[S ,W ]= (1-1+0-2+0+0+0+2-2)= -2

V(R)=42

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
218
____________________________________________________________________________________________

R ~ N 5,42
PR 0

R 5
42

0 5
42

1 PZ

0.772 = 1- (-0.772) = 0.7799

c)Debido a que en general una persona no puede dar dos veces la

misma evaluacin es que el mtodo para resolverlo sera una
hipergeomtrica,por ello sta probabilidad se puede aproximar a una
distribucin binomial con los siguientes parmetros:

B ~ Bin 30 ; 0,7799
IP[x 6] = 1 P x 6
5
30
(0.7799) x (0.2201) 30
=1
x 0 x
=1

3.- Sea X = (X1, X2) un vector aleatorio bidimensional distribudo

como una normal bivariada tal que X1 y X2 estn correlacionados
positivamente y de modo que verifican las siguientes condiciones:
1. IP[X1<1] = 0,8413
2. IP[X2>6] = 0,0228
3. V[X1]=1 y V[X2]=2
4. V[X1/X2=x2] = 0,75

X~N (u , )

>0

a) Calcule IP[0 < X2 < 4 / X1 = 2].

b) Encuentre la matriz de varianzas y covarianzas.

Desarrollo.a)

V[X1]=

2
1

=1

V[X2]=

2
2

=2

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
219
____________________________________________________________________________________________

V[X1/X2=x2] =

(1- 2)=0,75

=0.5
IP[0 < X2 < 4 / X1 = 2] = IP[ X2 < 4 / X1 = 2]

X2

X1

x1

IP x1

IP

IP x1

2
(2
2

x1

X1

;1

2
X1 X 2

2
X2

);

3
2

0,841

0
x2 u 2

1 IP

6 u 21

u2

X1 X 2

x1

2:

1
1

X2

X1

Para calcular

X2

~N

IP [X2 < 0 / X1 = 2].

6 2 2

0,023

21

3,1716

IP [X2<4 / X1 = 2 ] = 0.3163
IP [X2 < 0 / X1 = 2] = 0

IP[0 X 2 4 / X1 2] 0.3163 - 0 0,3163

b)

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
220
____________________________________________________________________________________________

2
1

2
2

2
2

X1X 2
2
2

4.-Ciertas vigas tienen secciones rectangulares cuyas dimensiones, largo

y ancho se pueden representar mediante una distribucin normal bivariada

10 , 15 en [cm] y matriz de varianzas y

con vector de media
covarianzas
0.5

0
1

Los lmites de tolerancia para el largo de la viga son (9.3; 10.7) y

para el ancho son (14,16). Una viga se considera defectuosa si el largo o
el ancho est fuera de los lmites de tolerancia. Se tomo una muestra de
tamao n=15. Cul es la IP de que 11 de estas vigas no sean
defectuosas?

Desarrollo.Se aprecia claramente que existe independencia entre el largo y el

ancho por lo que la probabilidad de que las vigas no cumplan los
requerimientos ser la multiplicacin de las marginales las cuales tambin
se distribuyen en forma normal.
Sea X=Largo y Y=ancho
Si son defectuosas tenemos

f X ( x , y )

f X ( x) f Y ( y)

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
221
____________________________________________________________________________________________

X ~ N 10,0.5
IP X

10,7
=

1 IP

9.3

1 IP 9.3 X 10.7

0.989

0.989

1 IP

0.989

9.3 10
0.5

10.7 10
0.5

0.989

0.32266

Y ~ N 15,1
IP Y

16

14

1 IP 14 Y

IP defectuosas

16

1 IP 1 Z 1

0.32266

IP no sean defectuosas

1 IP

14 15
16 15
Z
1
1
1
1 0.68268

0.68268

0.2202735

1 0.2202735

0.7797265

Como las vigas son reemplazadas, la probabilidad pedida sigue una

distribucin hipergeomtrica pero esta es factible aproximarla a una
distribucin binomial.

B ~ Bin 30 ; 0,779
15
IP[x=11] =

11

(0.779)11 (0.221)15 11

0.20874

5 , 10 y 12=1, 22=25 y >0. Si la

5.- Sea (X,Y) V .a.n.b. con
IP(4<Y<16/X=5)=0.954, encuentre la matriz de varianzas y covarianzas.

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
222
____________________________________________________________________________________________

f y

x 5

5
5 5 ;1
1
2

N 10 ; 1

4 10
2

5 1

5 1

5 1

16 10

2
y

25

6
5 1

6
5 1

Luego

25

0.954

1.954

;1

N 5

6
2

5 1

0.954

4
5

4
25

1 , 2,2 y matriz
6.-Sea X x1 , x 2 , x 3 v .a.3-normal con vector de medias
de varianzas y covarianzas
=diag(1,9,4).
Si Y1 = 3X1+2X2-X3 e
Y2=2X1-X2. Encuentre E[Y1/Y2] y V[Y1/Y2]

Desarrollo.Si Y1 = 3X1+2X2-X3
Y si Y2 = 2X1-X2

=E[Y1] = E[3X1] + E[2X2] - E[X3] =5

y2= E[Y2] = E[2X1] - E[X2]] =0
y1

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
223
____________________________________________________________________________________________

V[Y1]= 9V(X1)+ 4V(X2)+ V(X3) = 9+36+4=49

V[Y2]= 4V(X1)+ V(X2) = 4+9=13

Y1

y1

Y2

y2

y1

y1 y 2

y2

y2

y2

7
y2
13

cov y1 , y2
y1 y2
y1

y2

cov(y1,y2)=cov(3X1,2X1)+cov(3X1,-X2)+cov(2X2,2X1)+cov(2X2,-X2)+
cov(-X3 ,2X1) + cov(-X3 ,-X2) = 6cov(X1 ,X1) 2(X2 ,X2)= 6-18 = -12

cov y1 , y2
y1 y2
y1

Y1

Y1

Y2

Y2

y2

y2

y2

2
y1 y2

12
7 13

0.475

12
y2
13

2
y1

144
49 13

49

493
13

4 0 -3 0 0
4 0 2 0

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
224
____________________________________________________________________________________________

7.- Sea X ~ N5 ,

Sean Y1

X2

donde

; Y2

1, 4, 3, 2, 1

9 0 0
4 -1
9

X3

e Y3 3 X 1 2 X 3 X 4
X4 2
X1 2
a) Encuentre la distribucin de Y1, Y2, Y3 respectivamente.
b) Y1 e Y2 son independientes?.
c) Determine la IP (Y1> 2Y2).

X5

Desarrollo.a) i)Para desarrollar estos ejercicios lo primero que hay que hacer es
calcular las marginales respectivas y luego usar las propiedades de la
normal bivariada.

x2

x4

24

x4

24

x4

x4

;1

2
24

2
x2

x4

f x2

x2
x2

2
2 2 ;1
2
cov x 2 , x 4
2
2 2
x2 x4

24

2
24

1
2

12
1
2 2 ; 1
4
22
4

2,3

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
225
____________________________________________________________________________________________

x3

x1

x3

x3

31

N 3

31

3
2 1 ;1
2

cov x3 , x1
x3

iii)
y3

Y3

x1

2
3X1

~N 3
2X3

2
31

3
3 2

31

x3

x1

;1

2
31

2
x3

x1

ii)

x1

x1

1
2

13
1
2 1; 1
4
22
4

X4

X5 N

9
,3
4

2
3

=E[Y3] = E[3X1] - E[2X3] + E[X4] + E[X5]=3-6-2+1 = -4

V[Y3 ]= 9V(X1)+ 4V(X3)+ V(X4)+ V(X5)+ 2[cov(3X1 ,-2X3) + cov(3X1 ,X4) +

cov(3X1 ,X5) + cov(-2X3 ,X4) + cov(-2X3 ,X5) + cov(X4 ,X5)]=
= 36+36+4+9+2(18-1) = 119

Y3 ~ N

4 , 119

b) Y1 e Y2 son independientes ya que se aprecia claramente en la matriz

de varianzas y covarianzas que X2 no est relacionado ni con X3 ni con
X1 y lo mismo pasa con X4.
c) IP(Y1>2Y2) = IP(R>0) con R =Y1 2Y2
Y1 N (-2,3)
Y2 N (9/4,3) y como de la pregunta b) sabemos que
son independientes, tenemos que:

R~N

13
,15
2

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
226
____________________________________________________________________________________________

R
IP R 0

IP

13
2
15

13
2
15

1 IP Z

???

= 1- (???) =????

Ejercicios Propuestos.1.-Sean X e Y las desviaciones horizontal y vertical (sobre un plano)

respectivamente, de un vehculo espacial tripulado, con respecto al
aterrizaje de ste en el mar. Supngase que X e Y son 2 variables
aleatorias que se distribuyen en forma normal e independientes con
medias x = y=0 y varianzas iguales. Cul es la mxima desviacin
estndar permitible de X e Y, que cumplira con los requerimientos de la
Nasa de tener una probabilidad de 0.99, de que el vehculo aterrice a no
ms de 500 ft del punto elegido, tanto en direccin vertical como
horizontal?.
Respuesta: x= y<177.97 pies.

2.-Sea X

X, Y vector normal bivariado. Se conoce:

a)P(X<5)=0.5
b)P(X<6) = 0,8413= P(Y<15)
c)P(Y<5) = 0.1587 = 1-P(X<6) d)P[4 < Y < 16 / X = 2]=
e)Si X aumenta entonces Y aumenta
Calcule la IP(3<X<3.6/Y=5).
Respuesta:0.13

3.-Sea X X, Y v .a. n. bivariado tal que :

i)

a) Demuestre que

3
x 2
2
Y

ii)

3
y 3
5

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

Universidad Tcnica Federico Santa Mara

versin 1.5
Pg.
227
____________________________________________________________________________________________

b) Calcule E[X], E[Y],

xy .

Respuesta.= -18
y = 25
xy = -0.95
x

____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez