Академический Документы
Профессиональный Документы
Культура Документы
PROBABILIDADES Y ESTADISTICA
Profesor:
DRA. SONIA SALVO GARRIDO
Vectores aleatorios
Definicion 1.1 (Vector aleatorio) La variable aleatoria pX1 , X2 qT es llamada un vector alea-
torio si y solo si cada uno de sus componentes es una variable aleatoria.
X X1
X2
: R2
Observacion 1.1 Las variables aleatorias bidimensionales se clasifican en: discretas (si X1 y X2
son variables aleatorias discretas), continuas (si X1 y X2 son variables aleatorias continuas) y
mixtas (si una variable aleatoria es discreta y la otra continua).
1
2 1.1. Vectores aleatorios bivariados
Definicion 1.2 Sea pX1 , X2 qT variable aleatoria bidimensional continua. La funcion de densidad
conjunta asociada a esta variable aleatoria bidimensional, denotada por f px1 , x2 q, es una funcion
real valuada que cumple con las siguientes condiciones
(b) f px1 , x2 q dx1 dx2 1
RecX1 ,X2
Para calcular probabilidades, se debe tener en cuenta que el espacio ahora es R2 , por lo
que corresponde el calculo mediante integrales dobles (caso continuo) o doble sumatoria (caso
discreto). Si bien la definicion es aplicable para el caso discreto y hay problemas de aplicacion
que se pueden enfrentar mediante distribuciones bivariadas discretas, este texto principalmente
utiliza ejemplos para el caso continuo.
Desde el punto de vista grafico, en este caso se trabaja con volumenes (3 dimensiones). Para
calcular probabilidades se trabajara con curvas de nivel en el plano (acotadas por la relacion
entre las dos variables aleatorias) y que estara acotado en la tercera dimension por f px, y q, para
obtener ese volumen es necesario utilizar integrales dobles.
Ejemplo 1.1 Considerar pX1 , X2 qT una variable aleatoria bidimensional continua con f px1 , x2 q
exp tx1 x2 u, x1 0, x2 0.
(b) Calcular (b.1) PpX1 2, X2 5q, (b.2) PpX1 X2q y (b.3) PpX1 X2 1q.
e5e2 e7
(b.2) La probabilidad esta dada por
8 x1
Pp X 1 X2 q ex1 x2 dx1 dx2
08 0
x1
e x1 ex2 dx 2 dx1
0 0
8
ex1 p1 ex1 q dx1
08
pex e2x q dx1
1 1
1 0,5 0,5
(b.3) Finalmente, se puede calcular
18 88
PpX1 X2 1q ex1 x2 dx1 dx2 ex1 x2 dx1 dx2 .
0
1 x1 1 0
Los graficos para el punto (b) para la region de integracion se presentan a continuacion
x2 = 1 - x1
2 x1 x1 1 x1
Definicion 1.3 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de probabilidad con-
junta conocida f px1 , x2 q. La funcion de densidad marginal de la variable aleatoria X1 esta definida
por
fX1 px1 q f px1 , x2 q dx2
RecX2
fX2 px2 q f px1 , x2 q dx1 .
RecX1
Ejemplo 1.2 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de probabilidad
f px1 , x2 q x21 , 0 x1 1, 0 x2 2.
x1 x2
3
Se pide determinar la funcion de densidad marginal de X1 y X2 .
2x21 2
3
x1 , 0 x1 1.
f px1 q es efectivamente funcion de densidad de X1 . En efecto
1 1
fX1 px1 q dx1 2
2x21 x1 dx1
0 0 3
1
1 2
2 3
x
3 1
x
3 1 0
1.
(b) Densidad marginal de X2 :
1
fX2 px2 q px21 q dx1
x1 x2
0 3
x 1
x31 x21 x2 1
3 6 x1 0
31 1
6
x2 , 0 x2 2.
Ejemplo 1.3 Encontrar las funciones de densidad marginal a partir de la funcion de densidad
bivariada
ex1 , x1 1
Densidad marginal de X2 :
8
fX2 px2 q ex1 x2 dx1
0
8
ex2 ex1 dx1
0
ex 2
, x2 1.
x1ex , x1 0
1
Densidad marginal de X2
8
fX2 px2 q ex1 dx1
x2
ex 8x 1
2
ex , x2 0
2
Otro de los conceptos importantes que surgen a partir del analisis bivariado es el de Inde-
pendencia entre dos variables aleatorias. Lo que interesa determinar es si los cambios que se
producen en una variable aleatoria X afectan o son consecuencia de los cambios en otra variable
aleatoria Y ; si es as se habla de que existe relacion o correlacion entre las variables X y Y , en
caso contrario se dice que las variables aleatorias son independientes o que no hay correlacion
entre ellas (o es marginal).
Definicion 1.5 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de densidad conjunta
f px1 , x2 q. La funcion de densidad condicional de la variable aleatoria X1 dado un valor fijo de
X2 , digamos X2 x2 esta definida por
f px1 , x2 q
fX1 |X2 x2 px1 q
fX2 px2 q
.
Observacion 1.2 Las funciones de densidad condicional son funciones de probabilidad, por tanto
son positivas y la integral de la funcion en el recorrido es 1.
x2 y X 2 | X 1 x1
Solucion: Las funciones de densidad condicional estan dadas por la Definicion 1.5. As,
x
(a) fX1 |X2 x2 px1 q eex12 ex 1 x2
, x1 x2, donde x2 es un valor fijo.
ex1
(b) fX2 |X1 x1 px2 q x1 ex1
x1 , x2 x1, donde x1 es un valor fijo.
1
Se puede probar que ambas funciones son densidades para las variables aleatorias. En efecto,
8 x1 8
fX1 |X2 x2 px1 q dx1 ex1 x2
e 1 1.
dx1 x2 e
x2 x
x1 x 2
x2
fX2 |X1 x1 px2 q dx2 dx2 1.
1
1
0 x1 x 1 0
Observacion 1.3 Desde la Definicion 1.4 y la Definicion 1.5 es facil probar que si X1 y X2 son
variables aleatorias independientes, entonces:
Definicion 1.6 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de densidad conjunta
f px1 , x2 q. Sea G una funcion real valuada definida sobre pX1 , X2 qT (G : R2 R). El valor
esperado de GpX1 , X2 q es dado por la siguiente expresion:
E rGpX1 , X2 qs GpX1 , X2 qf px1 , x2 q dx2 dx1
R
Ejemplo 1.5 Sea la funcion de densidad bivariada f px1 , x2 q 6p1 x1 x2q, 0 x2 1 x1,
x1 0 y sea GpX1 , X2 q X12 X2 . Obtener una expresion para E rGpX1 , X2 qs.
1 1x1
Solucion: E rGpX1 , X2 qs x21 x2 6p1 x1 x2 q dx2 dx1 601 .
0 0
Ejemplo 1.6 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de probabilidad con-
junta f px1 , x2 q exp tx1 1x2u, x1 0, x2 0 y constante positiva. Calcular el valor
esperado de
(a) G1 pX1 , X2 q X1 X2 .
(b) G2 pX1 , X2 q X1 .
E r X1 X 2 s 1 1.
(b) Valor esperado de X1
E rX 1 s x1 f px1 , x2 q dx1 dx2
88
(
x1 exp x1 x21 dx2 dx1
0
8 0
8
1 x2 1
x1 ex1 e dx2 dx1
0 0
8
(
donde
1
exp x21 dx2 1, pues es la integral en su recorrido de X2 Exppq. Luego:
0
8
x1 ex1 dx1
0
8
(
donde x1 exp 1x1 E rX1s donde X1 Expp1q. As E rX1s 1, finalmente:
0
E r X1 s 1 .
donde 8
1 expttx2 u expt1 x2 u dx2 E rexpttx2us MX ptq 2
0
y
X2 Exppq MX ptq p1 tq1,
2 luego:
8
p1 tq1 etx1 x1 ex1 dx1
0
donde 8
expttx1 ux1 exptx1 u dx1 E rexpttx1us MX ptq 1
0
y
X1 Expp1{q MX ptq p1 t q1. Finalmente,
1
Ejemplo 1.7 Del Ejemplo 1.6, tena que E rX1 X2 s 1; E rX1s 1 y E rX2s . Entonces la
expresion para la covarianza entre X1 y X2 es
Cov pX1 , X2 q 1 1 0.
Coeficiente de correlacion
Definicion 1.7 Sea el vector aleatorio pX1 , X2 qT se define el coeficiente de correlacion lineal
entre las variables aleatorias X1 , X2 , denotado por pX1 , X2 q, tambien llamado Coeficiente de
correlacion de Pearson, por la expresion siguiente
Cov pX1 , X2 q
pX1 , X2 q a 11
V arpX1 qV arpX2 q
E r X 1 X2 s E r X 1 s E r X 2 s .
donde x2 f px2 q dx2 E rX2s. Luego
E r X1 X 2 s E r X 2 s x1 f px1 q dx1
E r X 1 s E r X2 s .
Observacion 1.4 A continuacion se presentan algunos resultados de interes respecto del valor
esperado y la covarianza entre variables aleatorias independientes
V arpX1 X2 q E pX1 X2q2 pE rX1 X2sq2
E rX12 X22 2X1X2s pE rX1sq2 pE rX2sq2 2E rX1sE rX2s
E rX12s E rX22s 2 E rX1X2s pE rX1sq2 pE rX2sq2 2E rX1sE rX2s
E rX12s pE rX1sq2 E rX22s pE rX2sq2 2 pE rX1X2s E rX1sE rX2sq
donde E rXi2 s pE rXi sq2 V arpXiq y E rX1X2s E rX1 sE rX2 s Cov pX1 , X2 q. As:
pX1, X2q y sea fX |X x px1q exptx2 x1u, x2 x1 8, con x2 un valor fijo. Se determinara
1 2 2
la esperanza y la varianza de X1 | X2 x2 .
8
E r X1 | X2 x2 s x1 fX1 |X2 x2 px1 q dx1
x2
8
x1 ex2 x1 dx1
x2
8
e x2
x1 ex1 dx1
x2
1 x2 .
Para obtener la varianza se utiliza la definicion 1.8, para lo cual es necesario obtener
8
Er X12 | X 2 x2 s x21 fX1 |X2 x2 px1 q dx1
x
8
2
2 2x2 x22 .
Finalmente, la varianza es
Finalmente se obtiene
Observacion 1.6 Note que para los resultados expresados en la Propiedad 1.4, se obtienen re-
sultados analogos para X2 | X1 .
Definicion 1.9 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de densidad f px1 , x2 q
y sea ademas la nueva variable aleatoria bivariada pY1 , Y2 qT tal que:
Donde |J | es el valor absoluto del Jacobiano, que es el determinante de una matriz construida
con las derivadas parciales de la transformacion definida por
B G1 py1 , y2 q B G1 py1 , y2 q
J By1 By2 1
1
B G1 py1 , y2 q B G1 py1 , y2 q
By1 2 By2 2
Probabilidades y Estadstica 2015-2
1. Vectores aleatorios 15
Observacion 1.7 Notar que si X1 y X2 son variables aleatorias independientes, entonces la ecua-
cion 1.1 se puede escribir como
! )
Ejemplo 1.9 Sea f px1 , x2 q ?1 exp x 2x P R, x2 0 y considerar la transformacion
2
2
2 x2
1
, x1
dada por
Y1 ?XX1 y Y2 X2
2
?y
|J | ?y2 .
?
y1
J 2 2 y2
0 1
?
fY1 ,Y2 py1 , y2 q fX1 ,X2 py1 y2 , y2 q
?y
2
" *
2?y 1
exp y12 y2 y2 ?y
2
2 2
" *
y12 y2
1
2
exp 2 y2
, y1 P R, y2 0.
?2 xi 1 exp x2 , xi 0, i 1, 2 y por
(
Solucion: Si Xi 21 entonces fXi pxi q i
independencia se tiene que la funcion de densidad conjunta de pX1 , X2 qT esta dada por
! x x2 )
fX1 ,X2 px1 , x2 q px1 x2 q 2 exp 0, 0
1 1 1
, x1 x2
2 2
Luego, x1 py1 , y2 q, x2 py1 , y2 q y el Jacobiano de la transformacion estan dados por
y1 x x1
x2
x1py1, y2q 1y1yy2 y y2 x2 x2py1, y2q y2
1 1
y2 y1
J p q2
1 y1
1 y1 |J | p1 y2y q2 .
0 1 1
2 1 y1 2p1 y1 q 2 p1 y1q2
"
*
1
a
1
2 y1 p1 y1 q3
exp
y1 y2
2p1 y1 q
y2
2
, y2 0 , 0 y1 1.
Distribucion Chi-cuadrado
Propiedad 1.5 Sea una variable aleatoria Z N p0, 1q entonces la nueva variable aleatoria X
Z 2 sigue una distribucion Chi-cuadrado con 1 grado de libertad, denotado por X 2 p1q.
W X1 X2 2pn1 n2 q.
?
fX ptq ? fZ
1
t
t
" *
? exp 2 t ,
1 1
t 0.
2t
rMX ptqs21
p1 2tq 2
2 .
Distribucion t-Student
T ? Z
,
Y n1
se dice que tiene una distribucion t-Student con n grados de libertad.
T1 ? Z
y T2 Y
Y n1
luego se obtiene la funcion de densidad de pT1 , T2 qT y la funcion de densidad marginal de interes,
que en este caso es la asociada a T1 . Funcion de densidad de pT1 , T2 qT :
a
a z 1 z t1 t2 n1 y t2 y
t1
yn
?
t2 n1 hpt, y q a
J |J | t2 n1
0 1
Por otra parte, la funcion de densidad conjunta de pT, Y qT , que por ser variables aleatorias
independientes, es
" * ! y)
?1 exp
2
fZ,Y pz, y q fZ pz qfY py q z2 exp .
1
2 2 p n2 q
n
2 2
8 t1 8.
p n2 q n
1 ,
Ejercicio propuesto 1.1 Demostrar que las expresiones para el valor esperado y varianza para
n
una variable aleatoria con distribucion T de Student estan dados por: 0 y n 2
, respectivamente.
Distribucion F de Fisher
se dice que sigue una distribucion F de Fisher con n1 y n2 grados de libertad (correspondientes
a los grados de libertad del numerador y denominador respectivamente).
Por su parte la funcion de densidad conjunta de pY1 , Y2 qT , que por ser variables aleatorias
independientes, es
Donde
! x )
2
fXi pxi q 2 0.
1 ni
i
xi 2
exp xi
2 2 p n2i q
ni
y1 y2 y1 1 y2 , y1 y2
2 2
n1 n2
n1
n2
2 2 2 n2
2 2
Luego, llevando la integral a una del tipo Gamma se puede obtener lo siguiente
n1 n2
1
n1
0.
n1
n1
2 n2
y1 1 y12 , y1
2
2
n2
Ejercicio propuesto 1.2 Como Y1 sigue una distribucion F de Fisher, utilizar la funcion de den-
sidad para demostrar que la esperanza y varianza estan dadas respectivamente por:
2 n22 pn1 n2 2q
n2 2
n2
, n2 2 y
n1 pn2 2q2 pn2 4q
, n2 4.
Esta seccion es una extension de vectores aleatorios bivariados considerando ahora un vector
de dimension pn 1q , cuyas componentes son variables aleatorias. La seccion comienza con
algunas definiciones acerca del espacio en que se construye la medida de probabilidad, la funcion
de densidad multivariada (y los elementos que pueden obtenerse a partir de la misma), para
luego llegar al concepto de muestra aleatoria que es el que permite dar el paso a la inferencia
estadstica y antes a las distribuciones muestrales.
Definicion 1.10 Sea un espacio muestral asociado a un experimento aleatorio. Se llamara vec-
tor aleatorio X a aquel vector cuyas componentes solo son variables aleatorias unidimensionales,
Ejemplo 1.11 Probar que la funcion asociada al vector aleatorio X pX1, X2, , XnqT es
funcion de densidad y esta dada por
# +
1
n
f px1 , x2 , , xn q p2 2 q exp 2 pxi q2 , xi P R, i 1, 2, , n.
n
2
2 i1
Solucion: Para que f pxq sea funcion de densidad debe cumplir con las dos condiciones dadas
por la definicion 1.11. En efecto
(1) f pxq 0
8 8
dx1
Notar que cada una de las n integrales a resolver corresponden a la funcion de densidad de
una distribucion normal. Luego, se tiene
1n 1.
Con lo que se tiene finalmente que f pxq es funcion de densidad de la variable aleatoria multiva-
riada X.
Definicion 1.12 Sea X pX1, X2, , XnqT un vector aleatorio. Las n variables aleatorias que
componen este vector son variables aleatorias independientes si y solo si la funcion de densidad
conjunta puede ser escrita como
n
f px1 , x2 , , xn q fXj pxj q
j 1
Ejemplo 1.12 Desde el ejemplo 1.11, se probara que las variables aleatorias X1 , X2 , , Xn son
variables aleatorias independientes.
Solucion: Desde la Definicion 1.12 se establece que el producto de las n funciones de densidad
marginal debe ser igual a la funcion de densidad conjunta. En efecto, sea Xj la j-esima variable
aleatoria que compone el vector aleatorio X, es decir, j 1, 2, , n es un valor fijo; as
" * # n
+
fXj pxj q p2 q 2 exp
21
21 2 pxj q 2
p2 q n2 1 exp
2
21 2 px i q dxn dx1
i j
Donde cada una de las n 1 integrales es de la funcion de densidad de una variable aleatoria
con distribucion normal, por lo que son iguales a 1. Finalmente, se tiene que la funcion de
densidad marginal de Xj es
" *
fXj pxj q p2 q 2 exp 21 2 pxj q 8 xj 8
1
2 2
,
Dado que la expresion anterior es valida para j 1, 2, , n se puede probar que el producto
de las n funciones de densidad es igual a la funcion de densidad de la variable aleatoria multi-
variada X, con lo que se prueba que las variables aleatorias X1 , X2 , , Xn son independientes.
Es decir,
" *
n
n
fXj pxj q p2 q 21 exp
2
21 2 pxj q 2
j 1
j 1
# +
n 1
n
p22q 1
2 exp 2
2 j 1
p xj q2
# +
1
n
p2 q n2 exp2
22 pxj q 2
j 1
Definicion 1.13 Sea X pX1, X2, , XnqT un vector aleatorio. Las variables aleatorias que
componen el vector aleatorio X: X1 , X2 , , Xn son llamadas identicamente distribuidas (id )
si y solo si cada una de estas tiene la misma distribucion con los mismos parametros (igual
valor). Adicionalmente, si las variables aleatorias identicamente distribuidas son independientes,
se habla de variables aleatoria iid .
Definicion 1.14 Los componentes de un vector aleatorio definido por X pX1, X2, , XnqT
constituyen una muestra aleatoria si y solo si las n variables son
(1) Independientes
Ejemplo 1.15 Las variables aleatorias X1 , X2 , , Xn constituyen una muestra aleatoria, donde
Xi Binomialp1, pq. Determinar la funcion de densidad conjunta.
Probabilidades y Estadstica 2015-2
1. Vectores aleatorios 25
Entonces
E r Y1 Y2 Yn s Gpxq f pxq dx
G1 pX1 q Gn pXn q f px1 q f pxn q dx1 dxn
G1 pX1 q f px1 q dx1 G2 pX2 q Gn pXn q f px2 q f pxn q dx2 dxn
Demostracion: (1) Si se asume que Gi pXi q E e t Xi , i 1, 2, , n, entonces por la
Propiedad 1.8 es inmediato el resultado. (2) Las variables X1 , X2 , , Xn son iid, entonces
rMX ptqsn i
Ejemplo 1.16 Sean X1 , X2 , , Xn una muestra aleatoria, donde Xi N p0, 1q. Determinar la
distribucion de las nuevas variables aleatorias
n
(a) Y Xi
i 1
n
(b) Y Xi2
i 1
(
Solucion: (1) X1 N p0, 1q MX ptq exp
1
1 2
2
t , ademas aplicando la Propiedad 1.8, se
tiene que
" *n " *
MY ptq t exp 21 t2 n
1 2
exp
2
" *
exp t 0 t n .
1 2
2
Esta ultima expresion corresponde a la f gm de una variable que sigue una distribucion
normal con valor esperado 0 y varianza 2 n. Entonces,
n
Y Xi N p0, nq
i 1
(2) En el ejercicio resuelto ??(b) del captulo ??, se comprobo que Z N p0, 1q T Z 2
2 p1q (Chi-cuadrado con un grado de libertad)
Definicion 1.15 El promedio de una muestra aleatoria esta definido como la media aritmetica
de un conjunto de variables aleatorias y se fundamenta en el hecho que un experimento aleatorio
puede reproducirse bajo las mismas caractersticas. El promedio, denotado por Xn para Xi ,
i 1, 2, , n o simplemente por X, esta dado por la expresion
n
X n1 Xi .
i 1
La idea es obtener la distribucion de una nueva variable aleatoria que representa al prome-
dio. En efecto, a continuacion se presenta una propiedad mediante la cual se puede asociar la
distribucion de una muestra aleatoria, basada en una distribucion Normal, con los parametros
de la distribucion del promedio.
1
n
2
X n i1
Xi N ,
n
.
n
MX1 nt
#
2 +n
exp
t
n
1
2
t
n
2
" *
1 2 2
exp t t
2 n
.
Esta ultima expresion corresponde a la distribucion de una variable aleatoria Normal con los
parametros pedidos.
Y n 2 1 S 2 Y 2pn 1q.
Demostracion: Para mostrar este resultado, hay que escribir una expresion equivalente a Y
Y 2pn 1q.
rFX ptqsn
1
1 r1 FX pmqsn
1
Solucion: Para obtener las funciones de densidad para las variables aleatorias se utiliza la
Propiedad 1.12. En efecto, dado que Xi Expp q se tiene que
" *
fXi pxq exp x , x 0
1 1
x " * " *
FXi pxq exp t dt 1 exp x , x0
1 1 1
0
Luego, la funcion de densidad del maximo es
" *n1 " *
fT ptq n 1 exp t 1 t , t0
1 1
exp
Por su parte la funcion de densidad del mnimo es
" *n1 " *
fM pmq n 1 1 exp m 1 m
1 1
exp
" *
n exp n m , m 0.