4.

Considere la siguiente función:

xy+yz+xz

 24 si (x, y, z) ∈ {0, 2}3
a) fX,Y,Z (x, y, z) =
0 o.c.


Encuentre la matriz de varianzas y covarianzas correspondiente y calcule V ar(2X − 3Y + 5Z)

Solucion :

Obtenemos las distribuciones conjuntas 2 a 2 :

X xy + yz + xz
* fXY (x, y) =
24
z∈D
!
1 X X X
= xy + yz + xz
24
z∈D z∈D z∈D
1
= (2xy + 2y + 2x)
24
1
= (xy + y + x)
12
Analogamente

1
* fXZ (x, z) = (xz + x + z)
12
1
* fY Z (y, z) = (yz + y + z)
12

Obtenemos las distribuciones marginales :

X 1
* fX (x) = (xy + y + x)
12
y∈D
 
1 X X X
= xy + y+ x
12
y∈D y∈D y∈D
1
= (2x + 2 + 2y)
12
1
= (2x + 1)
6
Analogamente

1
* fY (y) = (2y + 1)
6
1
* fZ (z) = (2z + 1)
6

Obtenemos las esperanzas :

1
 X
* E[X] = x fX (x)
x∈D
 
X 1
= x (2x + 1)
6
x∈D
" #
1 X
2
X
= 2 x + x
6
x∈D x∈D
1 5
= [ (2 ∗ 4) + 2 ] =
6 3
Analogamente

5
* E[Y ] =
3
5
* E[Z] =
3

Obtenemos segundos momentos :

X
* E[X 2 ] = x2 fX (x)
x∈D
 
X 1
= x2 (2x + 1)
6
x∈D
" #
1 X
3
X
2
= 2 x + x
6
x∈D x∈D
1 10
= [ (2 ∗ 8) + 4 ] =
6 3
Analogamente

10
* E[Y 2 ] =
3
10
* E[Z 2 ] =
3

Obtenemos esperanzas conjuntas :

 
XX 1
* E[XY ] = xy (xy + y + x)
12
x∈D y∈D
 
1  XX
= x2 y 2 + xy 2 + x2 y 
12
x∈D y∈D
  
1  X
x2
X X X
= y2 + x y 2 + x2 y 
12
x∈D y∈D y∈D y∈D
" #
1 X 2
= 4x + 4x + 2x2
12
x∈D

2
 " #
1 X 2
= 6x + 4x
12
x∈D
" #
1 X X
= 6 x2 + 4 x
12
x∈D x∈D
1 8
= [6 ∗ 4 + 4 ∗ 2] =
12 3
Analogamente

8
* E[XZ] =
3
8
* E[Y Z] =
3

⇒ V ar(X) = V ar(Y ) = V ar(Z)

 2
10 5 5
= − =
3 3 9

⇒ Cov(XY ) = Cov(XZ) = Cov(Y Z)

  
8 5 5 1
= − =−
3 3 3 9

∴ La matriz de varianzas y covarianzas es :

5 1 1
 
− −

 9 9 9 

 
 1 5 1 
 − − 
 9 9 9 
 
 
 1 1 5 
− −
9 9 9

5 1 1
 
− −  

 9 9 9 
 2
   
 1 5 1   
⇒ V ar(2X − 3Y + 5Z) = (2, −3, −5)   −3 
 −9 9
− 
9   
   
 
 1 1 5  −5
− −
9 9 9
 
2
   
4 8  −3  = 64
 
= 2, − , −
3 3 


 3
−5

3
5. Sea (X, Y, Z) un vector aleatorio, si X y Y tienen segundo momento finito se define la covarianza
condicional de X y Y dado Z como:
Cov(X, Y |Z) = E{(X − E[X|Z])(Y − E[Y |Z])|Z}
Utilizando esta definición demuestre:
a) Cov(X, Y |Z) = E[XY |Z] − E[X|Z]E[Y |Z]

Solucion :

Desarrollando el lado derecho de Cov(X, Y |Z) = E{(X −E[X|Z])(Y −E[Y |Z])|Z} obtenemos:

E{(X − E[X|Z])(Y − E[Y |Z])|Z} = E{XY − XE[Y |Z] − Y E[X|Z] + E[X|Z]E[Y |Z]|Z}

Sabemos que : E [X1 + X2 |Y ] = E [X1 |Y ] + E [X2 |Y ]

= E[XY |Z] − E[XE[Y |Z]|Z] − E[Y E[X|Z]|Z] + E[E[X|Z]E[Y |Z]|Z]

Sabemos que : E [cX |Y ] = cE [X |Y ] , E [c|Y ] = c , para c constante

= E[XY |Z] − E[Y |Z]E[X|Z] − E[X|Z]E[Y |Z] + E[X|Z]E[Y |Z]

= E[XY |Z] − E[X|Z]E[Y |Z]

= Cov(X, Y |Z)

∴ Cov(X, Y |Z) = E[XY |Z] − E[X|Z]E[Y |Z]

b) Cov(X, Y ) = E[Cov(X, Y |Z)] + Cov(E[X|Z], E[Y |Z])

Solucion :

Desarrollando el lado derecho obtenemos:

E[Cov(X, Y |Z)]+Cov(E[X|Z], E[Y |Z]) = E[E[XY |Z]−E[X|Z]E[Y |Z]]+Cov(E[X|Z], E[Y |Z])

Por la definicion de covarianza

= E[E(XY |Z) − E(X|Z)E(Y |Z)] + E[E(X|Z)E(Y |Z)] − E[E(X|Z)]E[E(Y |Z)]

Usando la linealidad de la esperanza y esperanza iterada

= E[E(XY |Z)] − E[E(X|Z)E(Y |Z)] + E[E(X|Z)E(Y |Z)] − E[X]E[Y ]

= E[E(XY |Z)] − E[X]E[Y ]

Usando de nuevo esperanza iterada

= E[XY ] − E[X]E[Y ]

∴ Cov(X, Y ) = E[Cov(X, Y |Z)] + Cov(E[X|Z], E[Y |Z])

Justifique adecuadamente cada paso que realice.