Академический Документы
Профессиональный Документы
Культура Документы
Distribución de probabilidad
de un vector aleatorio
continuo
• Esperanza condicional.
• Varianza condicional.
• Covarianza.
• Coeficiente de correlación.
1
2 Distribución de probabilidad de un vector aleatorio continuo
3|x − y|
Ejemplo 1.1. f (x, y) = I[2,4] (x)I[1,3] (y) es una función de densi-
13
dad de probabilidad conjunta de (X, Y ).
1.1. Densidad de probabilidad conjunta 3
En efecto, por definición f (x, y) ≥ 0 para todo (x, y) ∈ [2, 4] × [1, 3].
Además (
x − y si x − y ≥ 0
|x − y| =
y − x si x − y ≤ 0
y el cálculo de
Z ∞ Z ∞ Z 4 Z 3
f (x, y)dy dx = f (x, y)dy dx
−∞ −∞ 2 1
conduce a
Z 3 Z 3 Z 4 Z 3 Z 3 Z x
13
(y − x)dy dx+ (x − y)dy dx+ (x − y)dy dx =
2 x 3 1 2 1 3
es decir Z ∞ Z ∞
f (x, y)dy dx = 1
−∞ −∞
2(x + y)
Ejemplo 1.2. f (x, y) = I[y,4] (x)I[1,2] (y) es una función de den-
21
sidad de probabilidad conjunta de (X, Y ).
Ejemplo 1.4. f (x, y) = e−(x+y) I[0,∞) (y)I[0,∞) (x) es una función de den-
sidad de probabilidad conjunta de (X, Y ).
4 Distribución de probabilidad de un vector aleatorio continuo
2(x + y)
• Si f (x, y) = I[y,4] (x)I[1,2] (y)
21
Z 4 "Z x/2 #
2(x + y)
p(2y ≤ x) = dy dx = 4/9
2 1 21
xy
• Si f (x, y) = I (y)I[0,2] (x)
2 [x,2]
Z 2 "Z y #
2 xy
p(y ≥ x ) = 1 − √ 2
dx dy = 1 − 17/48 = 31/48
1 y
1.1. Densidad de probabilidad conjunta 5
8(xyz)
• Si f (x, y, z) = I[0,1] (x)I[0,1] (y)I[1,2] (z)
3
Z 1/2 "Z 1/2 "Z 3/2
# #
8xyz
p(x ≤ 0.5 ; y ≤ 0.5 ; z ≤ 1.5) = dz dy dx = 3/64
0 0 0 3
1 2
Z Z x
(x − 1)
F (x, y) = du dv =
2 1 1 2
6 Distribución de probabilidad de un vector aleatorio continuo
1 3
Z Z y
F (x, y) = du dv = y − 1
2 1 1
Z ∞
fY (y) = f (y) = f (x, y)dx (1.3)
−∞
3
En un vector (X, Y, Z) de dimensión 3, se definen funciones de
1
3
densidad de probabilidad marginal de dimensión 1 y funciones de
2
densidad de probabilidad marginal de dimensión 2. Como ilustración
Z ∞ Z ∞
f (x) = f (x, y, z)dy dz (1.4)
−∞ −∞
Z ∞
f (x, y) = f (x, y, z)dz (1.5)
−∞
• p(x ≤ 5/2).
• p(y ≤ 3/2).
Z x Z 2
2(x + y) 2(x + y)
f (x) = dy + dy
1 21 1 21
3x2 − 2x − 1 2x + 3
= I[1,2] (x) + I[2,4] (x)
21 21
4
3y 2 − 8y − 16
Z
2(x + y)
f (y) = dx = − I[1,2] (y)
y 21 21
Z ∞
f (y) = e−(x+y) dx = e−y I[0,∞] (y)
0
8 Distribución de probabilidad de un vector aleatorio continuo
Como
3x2 − 2x − 1 2x + 3
f (x) = I[1,2] (x) + I[2,4] (x)
21 21
1.3. Función de probabilidad acumulada marginal 9
• F (x) = 0 si x ≤ 1.
x3 − x2 − x + 1
• F (x) = si x ∈ [1, 2].
21
1 x2 + 3x − 10
• F (x) = + si x ∈ [2, 4].
7 21
• F (x) = 1 si x ≥ 4.
x2 (8 − x2 )
• F (x) = I[0,2] (x) + I[2,∞) (x).
16
y4
• F (y) = I (y) + I[2,∞) (y).
16 [0,2]
Se recomienda al lector verificar los resultados presentados y calcular
• p(x ≤ 1).
• p(y ≥ 1).
Ejemplo 1.16. Las funciones de probabilidad acumulada marginal para
f (x, y) = e−(x+y) I[0,∞) (y)I[0,∞) (x), están dadas por:
8(xyz)
Ejemplo 1.17. Para f (x, y, z) = I[0,1] (x)I[0,1] (y)I[1,2] (z).
3
La función de probabilidad acumulada marginal F (z) está dada por
z2 − 1
F (z) = I[1,2] (z) + I[2,∞) (z)
3
y la función de probabilidad acumulada marginal F (y, z) está dada por
y2z2
F (y, z) = I (y) I[1,2] (z) + I[1,∞] (y) I[2,∞] (z)
3 [0,1]
10 Distribución de probabilidad de un vector aleatorio continuo
f (x, y)
fX|Y (x) = f (x|y) = (1.7)
f (y)
f (x, y)
fY |X (y) = f (y|x) = (1.8)
f (x)
Ejemplo 1.18. Las funciones de densidad de probabilidad condicional para
x−y
f (x, y) = I[2,4] (x)I[1,2] (y), están dadas por:
3
x−y
f (x|y) = I (x)I[1,2] (y)
2(3 − y) [2,4]
2(x − y)
f (y|x) = I (x)I[1,2] (y)
2x − 3 [2,4]
2(x + k)
• f (x|y = k) = I (x)I[1,2] (y).
16 + 8k − 3k 2 [k,4]
2(y + k) 2(y + k)
• f (y|x = k) = I[1,2] (y)I[2,4] (x)+ 2 I (y)I[1,2] (x).
2k + 3 3k − 2k − 1 [1,k]
1.4. Densidad de probabilidad condicional 11
x−k
• f (x|y = k) = I (x)I[1,2] (y)
2(3 − k) [2,4]
12 Distribución de probabilidad de un vector aleatorio continuo
2(k − y)
• f (y|x = k) = I (x)I[1,2] (y)
2k − 3 [2,4]
entonces
(x − 2)(2k − x − 2)
• F (x|y = k) = I[2,4] (x)I[1,2] (y) + I[4,∞] (x).
4(k − 3)
(y − 1)(2k − y − 1)
• F (y|x = k) = I[2,4] (x)I[1,2] (y) + I[2,∞] (y).
2k − 3
2x
• f (x|y = k) = I (x)I[0,2] (y).
k 2 [0,k]
2y
• f (y|x = k) = I (y)I[0,2] (x).
4 − k 2 [k,2]
entonces
x2
• F (x|y = k) = I (x)I[0,2] (y) + I[2,∞] (x).
k 2 [0,k]
(k 2 − y 2 )
• F (y|x = k) = I (x)I[k,2] (y) + I[2,∞] (y).
(k 2 − 4) [0,2]
En efecto
x−y 2x − 3
f (x|y) = I[2,4] (x)I[1,2] (y) 6= f (x) =
2(3 − y) 6
En efecto
2x x(4 − x2 )
f (x|y = k) = I [0,k] (x)I [0,2] (y) 6
= f (x) = I[0,2] (x)
k2 4
1 (x − µX )2 (y − µY )2
1
f (x, y) = exp − 2 +
2πσX σY 2 σX σY2
En efecto Z ∞
f (x) = e−(x+y) dy = e−x I[0,∞] (x)
0
Z ∞
f (y) = e−(x+y) dx = e−y I[0,∞] (y)
0
y
f (x, y) = f (x)f (y)
14 Distribución de probabilidad de un vector aleatorio continuo
donde Z ∞
µXi = xi f (xi )dxi
−∞
• E(aX + b |Y ) = aµX|Y + b.
donde
Z ∞ Z ∞
2 2
σX i
= (xi − µXi ) f (xi )dxi = x2i f (xi )dxi − (µXi )2
−∞ −∞
• V (aX + b |Y ) = a2 V (X|Y ).
• Si X, Y son independientes V (X|Y ) = V (X).
• Si X, Y son independientes V (aX + b|Y ) = a2 V (X)
Cov(X, Y ) = E(XY ) − µX µY
en efecto
Z ∞ Z ∞
Cov(X, Y ) = (x − µX )(y − µY )f (x, y)dy dx
−∞ −∞
Z ∞ Z ∞
= (xy − xµY − yµX + µX µY )f (x, y)dy dx
−∞ −∞
Z ∞ Z ∞
= (xy)f (x, y)dy dx − (µX µY )
−∞ −∞
= E(XY ) − µX µY
La función
Z 1 Z 1
3
f (z) = I[−1,0] (z) wdw + I[0,1] (z) wdw
2 −z z
3(1 − z 2 )
= I[−1,1] (z)
4
y por definición Z 1
3
µz = (z − z 3 )dz = 0
4 −1
1.7. Varianza de un vector aleatorio 17
además ZZ Z 1 Z w
3 3 2
(zw)wdzdw = zw dz dw = 0
2 2 0 −w
entonces Z Z
3
Cov(z, w) = (zw)wdzdw − µz µw = 0
2
Se sugiere al lector, calcular f (w) y verificar que f (z, w) 6= f (z)f (w) lo
cual significa que las variables no son independientes.
Definición 1.16. Sea X = {X1 , X2 , · · · , Xn } un vector aleatorio con
función de densidad de probabilidad conjunta f (x1 , x2 , · · · , xn ). La ma-
triz de covarianzas de X está dada por
2 2 2
σX 1
σX 1 X2
··· σX X
1 n
σ2 σX2 ··· 2
σX
X2 X1 2 2 Xn
Σ = . .. .. (1.18)
.. . .
2
σX 2
σX ··· 2
σX
n X1 n X2 n
Cov(X, Y )
ρXY = (1.19)
σX σY
X y Y se dicen no correlacionadas si Cov(X, Y = 0.
Definición 1.18. Sea X = {X1 , X2 , · · · , Xn } un vector aleatorio con
función de densidad de probabilidad conjunta f (x1 , x2 , · · · , xn ). La ma-
triz de correlaciones de X está dada por
1 ρX1 X2 ··· ρX1 Xn
ρX X
2 1 1 ··· ρX2 Xn
R = . (1.20)
.. ..
.. . .
ρXn X1 ρXn X2 ··· 1
2(k 2 + 2k + 4)
• µY |X=k = .
3(k + 2)
2 3k 2 − 4k
• σX|Y =k = .
6
2 = 44
• σX = 0.19556.
255
siendo
1
A= p
2πσX σY 1 − ρ2
y
" 2 2 #
1 x − µX x − µX y − µY y − µY
B=− − 2ρ +
2(1 − ρ2 ) σX σX σY σY
1.8. Función generadora de momentos conjunta 19
1
f (x|y) = q eC (1.22)
2 2
2πσX (1 − ρ )
para
2
1 ρσX
C=− 2 x − µX − (y − µY )
2σX (1 − ρ2 ) σY
Y
mX (t) = mXi (t) (1.27)
i
Z ∞ Z ∞
xt+yt
mX,Y (t) = ef (x, y)dy dx
0 0
Z ∞ Z ∞
= ext f (x)dx eyt f (y)dy
0 0
5 3
= t<3
5−t 3−t
Se recomienda al lector, calcular mX (t) y mY (t) y verificar que
• Teorema de transformación.
f (y) = F 0 (y)
en consecuencia
1 2
Ejemplo 1.32. Si f (x) = √ e−x /2 I(−∞,∞) (x), hallar f (y) la función
2π
de densidad de probabilidad de g(X) = Y = X 2 .
Y ∼ χ2(1)
Y ∼ χ2(1)
Para Y
√
F (y) = p(Y ≤ y) = p(X ≤ y)
Z √y
√
= dx = y I(0,1) (y) + I[1,∞) (y)
0
y ası́
1
f (y) = F 0 (y) = √ I(0,1) (y)
2 y
En efecto:
entonces
f (w) = F 0 (w) = 4we−2w I(0,∞) (w)
X +Y +Z
W = g(X, Y, Z) =
3
∂X ∂X
∂W1 ∂W2
J (w1 , w2 ) =
∂Y ∂Y
∂W1 ∂W2
1.9. Función de variables aleatorias 25
f (w1 , w2 ) = |J (w1 , w2 )| fX,Y g1−1 (w1 , w2 ), g2−1 (w1 , w2 ) IW1 ,W2 (w1 , w2 )
g1 (X, Y ) = X + Y = W g2 (X, Y ) = Y − X = V
1 1
−
2 2 1
J (w, v) = =
1 2
1
2 2
y entonces
1
f (w, v) = w I(−1,0) (w)I(−w,2+w) (v) + I(0,1) (w)I(w,2−w) (v)
2
g1 (X, Y, Z) = X = W
X +Y
g2 (X, Y, Z) = =V
2
X +Y +Z
g3 (X, Y, Z) = =U
3
26 Distribución de probabilidad de un vector aleatorio continuo
g1−1 (W, V, U ) = W = X
g2−1 (W, V, U ) = 2V − W = Y
g3−1 (W, V, U ) = 3U − 2V = Z
1 0 0
J (w, v, u) = −1 2 0 = 6
0 −2 3
y entonces
3
1 2 +8v 2 −4wv−12vt+9u2 )
f (w, v, u) = 6 √ e−1/2(2w I(0,∞) (w)I(0,∞) (v)I(0,∞) (u)
2π
En particular
Z ∞ Z ∞
√
3 2
f (u) = f (w, v, u)dw dv = √ e−3/2u I(−∞,∞) (u)
−∞ −∞ 2π
g1 (X, Y ) = X = W g2 (X, Y ) = Y + X = V
1 0
J (w, v) = =1
−1 1
y entonces
f (w, v) = 2e−v I(2w,∞) (v)
1.9. Función de variables aleatorias 27
Z ∞ Z ∞
(x1 +x2 )t
mW (t) = e f (x1 , x2 )dx2 dx1
Z0 ∞ 0
Z ∞
= ex1 t f (x1 )dx1 ex2 t f (x2 )dx2
0 0
= mX1 (t)mX2 (t)
2
θ
=
θ−t
es decir
W ∼ Gamma(θ, 2)
g1 (X1 , X2 ) = X1 + X2 = W g2 (X1 , X2 ) = Y = V
1 −1
J (w, v) = = −1
0 −1
y entonces
f (w, v) = θ2 e−θw I(0,∞) (w)I(0,w) (v)
28 Distribución de probabilidad de un vector aleatorio continuo
Finalmente Z w
f (w) = θ2 e−θw dv = θ2 we−θw I(0,∞) (w)
0
es decir
W ∼ Gamma(θ, 2)
Sea V = g2 (X, Y ) = X + Y
Para la transformación definida se deduce:
V +W V −W
g1−1 (V, W ) = =X g2−1 (V, W ) = =Y
2 2
1/2 1/2
J (v, w) = = −1/2
1/2 −1/2
y entonces
3(v + w)
f (v, w) = I(0,1) (w)I(w,2−w) (v)
4
Finalmente
2−w
3(1 − w2 )
Z
3
f (w) = (v + w)dv = I(0,1 (w)
4 w 2
Sea V = g2 (X, Y ) = X
Para la transformación definida se deduce:
W
g1−1 (W, V ) = V = X g2−1 (W, V ) = =Y
V
0 1
J (v, w) = = −1/v
1/v −w/v 2
1.10. Ejercicios 29
y entonces
1
f (v, w) = I (v)I(2v,5v) (w)
6v (1,5)
Finalmente
ln(w/2) ln(5/2) ln(w/15)
f (w) = I(2,5 (w) + I(5,6) (w) − I(6,15) (w)
6 6 6
1.10 Ejercicios
1. Halle el valor de c tal que f (x, y) = xyI[1,4] (x)I[0,c] (y) sea función de
densidad de probabilidad.
k(3x + y)
2. Para f (x, y) = I[1,2] (x)I[1,3] (y)
5
• Halle k tal que f (x, y) es una función de densidad de probabi-
lidad.
• Calcule p(x ≤ 3/4; y ≤ 1/2).
• Calcule p(x ≥ 1/2; y ≤ 2).
• Calcule p(x ≥ 1; y ≥ 1).
• Calcule p(x ≤ 2).
1
3. Sea f (x, y) = (x + 4)(y + 1)I[0,2] (x)I[1,3 ](y).
60
• Verifique si f (x, y) es una función de densidad de probabilidad.
• Calcule p(x ≤ y).
• Calcule p(2x ≥ 3).
• Calcule p(x − y ≥ 1).
3
f (x, y) = (2x + y)I[1,2] (y)I[2−y,y] (x)
11
• Calcule p(y ≥ 2x).
• Halle f (y|x).
1
5. Sea f (x, y) = y(2x + 1)I[0,4] (x)I[1,5 ](y).
240
30 Distribución de probabilidad de un vector aleatorio continuo
• Halle k.
• Calcule µW = (µX , µY ).
• Calcule la matriz de varianzas y covarianzas de W .
1
f (x, y, z) = x(y + 1)(z + 4)I[1,3] (x)I[0,2] (y)I[1,4] (z)
312
• Halle f (x, y).
• Halle f (y, z).
• Halle f (x|y).
• Halle f (y|z).
Para Z = Y − X y W = X + Y
• Halle el valor de k1 y k2 .
• Calcule µX y µY .
• Calcule µX|Y =k .
• Calcule σY2 |X=2 .
• Halle el valor k1 y k2 .
• Halle f (w1 , w2 ) si W1 = X + Y y W2 = X − Y .
• Halle f (w1 |w2 ).
• Calcule µW1 |W2 .
2
• Calcule σW .
1 |W2
• Halle el valor de k.
• Halle f (w) si W = 2X + 3.
• Halle f (u, v) si U = X − Y y V = X + Y .
• Halle f (v).
1
f (x, y) = (x + 2)(y + 1)I[1,3] (x)I[2,4] (y)
64
Para W = 2X + 3, Z + X + Y
• Halle f (w) si W = 3X + 8.
• Halle f (z) si Z = X + 2Y .
• Halle f (u, v) si U = 2X − 3Y y V = Y .