Análisis multivariado vectores aleatorios

ELEMENTOS DE ANALISIS MULTIVARIADO
JULIO FERNANDO SUAREZ CIFUENTES

1
CAPITULO I. VECTORES ALEATORIOS
Corresponde a lo que algunos autores han denominado VARIABLES ALEATORIAS
p_DIMENSIONALES, y permite la extensin de las variables aleatorias unidimensionales.
Este capitulo constituye una base fundamental para la Teora de Confiabilidad, las cadenas
de Markov, y el Anlisis Multivariado, entre otros mtodos de aplicacin prctica.

1. DEFINICIN.
Sean X
1
, X
2
,..., X
p
variables aleatorias sobre el mismo espacio de probabilidad y sea
(X
1
,X
2
,...,X
p
) X una funcin de X
1
, X
2
,..., X
p
, denominada Variable Aleatoria p -
dimensional, o vector aleatorio de orden p, tal que
( ) ( )
1 2
2, ..., 1 1 2
( , X ,...., X ) :
( , w wp) ( , ,..., ( )) ( ) ( , ,..., )
=
= = = 1 2 1 2

p
p p
n
X X
w X w X w X w X w X x x x
R

NOTACION.
X representa el vector aleatorio, resultado conjunto del experimento aleatorio, en el cual se
han observado las p caractersticas.

Ejemplo 1:
X puede ser:
(X
1
, X
2
) = (oferta, demanda)
(X
1
, X
2
, X
3
) = (cantidad de lluvia, temperatura, duracin) ,
(X
1
, X
2
, X
3
, X
4
) = (grosor, color, resistencia, contenido de potasio en un pedazo de vidrio) ,
(X
1
, X
2
, X
3
, X
4
,X
5
) = (estatura, peso, genero, edad, estrato socio-econmico)
(X
1
, X
2
,..., X
p
) = (p observaciones de la misma variable)

2 CLASES DE VECTORES ALEATORIOS
Al igual que las variables aleatorias, los vectores pueden ser CUANTITATIVOS
DISCRETOS, conformados por variables aleatorias que toman valores enteros,
CUANTITATIVOS CONTINUOS si cada una de las p variables toman valores reales,
CUALITATIVOS si las variables son atributos de los sujetos u objetos observados medidos
no necesariamente en forma numrica, y MIXTOS cuando constituyen una mezcla de variables
cuantitativas y cualitativas.

2.1 Vector Aleatorio Discreto
Cuando X toma valores finitos o infinitos enumerables (nmero contable de valores) se
denomina vector aleatorio discreto.

Ejemplo 2:
Lanzar dos monedas; X
j
representa el resultado del lanzamiento de la moneda j-sima es sello,
j=1, 2, es una variable dicotmica nominal, y si ms precisamente se decide definirla como el
nmero de sellos en el lanzamiento j, para efectos de la asignacin de nmeros reales los valores
lgicos sern el 0 y el 1. La presentacin funcional es como sigue:
(X
1
, X
2
)=X:
2

(w
1
, w
2
)=(c, c) (0, 0) = (X
1
(w
1
), X
2
(w
2
)) =((X
1
(c) , X
2
(c))=(X
1
=0, X
2
=0)
(c, s) (0, 1) = (X
1
(c) , X
2
(s))
(s, c) (1, 0) = (X
1
(s) , X
2
(c))
(s, s) (1, 1) = (X
1
(s) , X
2
(s)) =(X
1
=1, X
2
=1)

2.1.1 Funciones de Probabilidad de un Vector Aleatorio Discreto

2
Un vector aleatorio discreto se caracteriza por sus funciones de probabilidad denominadas:
CONJUNTAS, MARGINALES, y CONDICIONALES, definidas sobre el mismo espacio de
probabilidad.

2.1.1.1 Funcin de Probabilidad Conjunta
Sea X un vector aleatorio discreto con valores x, la funcin de probabilidad conjunta de X,
f
X
, es definida por:

[ ]
( )
0, 1
( )
:
x
X
x
X
p
x
R

Con ( ) ( , , . ... ) ( , , , , .. ..., , )
... 1 2 1 1 2 2
1 2
( ( ) )
1
= = = = =
= =
=
X
x x x x P X x X x X x
X X X p p p
p
p
P X x
j j
j

Tal que f
X
cumple las propiedades:
x
1. ( ) 0 2. ....... ( ) 1
X
X
f x f x
=

Ejemplo 3:
Con base en el ejercicio anterior:

[ ] 0, 1
1 2
2
:
X X
f
(0, 0)
1 2
1 2
( 0, 0) ( 0, 0)
X X
P X X f = = = =
(0, 1)
1 2
( 0,1)
X X
f = =
(1, 0)
1 2
(1, 0)
X X
f = =
(1, 1)
1 2
(1, 1)
X X
f = =
en forma resumida puede verse como una funcin como una tabla de la cual se hablara un
poco ms adelante en cuanto a la relacin con la Estadstica:

1 2
1 2
1 2
1/ 4 0,1 0,1
( ) ( , )
0 en otro caso
X X
X
x x
f x f x x
= =
= =

2.1.1.2 Funcin de Probabilidad Marginal
Sea un vector aleatorio p- dimensional de clase discreta con funcin de probabilidad conjunta
( )
X
f x . La funcin de probabilidad marginal de X
1
, X
2
,...,X
m
, o de X
(1)
= H(X
1
, X
2
,...,X
m
)
subvector aleatorio de dimensin m, m < p , se define como:
(1)
(1)
1 1
1 2
1 2
... ( ..., ) , , ...... ( ) ( )
+
= =

X X X X
m X
x x x
p p m
m
x x x f x x
tal que cumple las mismas propiedades de la funcin conjunta de probabilidad ( )
X
f x

Ejemplo 4:
En el lanzamiento de dos monedas, ejercicios 2 y 3, x ( x ) se puede representar como en la
tabla siguiente :
f
X1X2
X
2

X
1
0 1
0
1

3

Entonces, las funciones marginales resultan de sumas como se observa en el siguiente arreglo el
cual se comentara ms adelante, en cuanto su relacin con Estadstica.

X
1
/ X
2
0 1
X1
0 1/4 1/4 2/4
1 1/4 1/4 2/4
X2
2/4 2/4 1.0

Ejemplo 5:
Dos lneas de produccin manufacturan cierto tipo de artculos. Suponga que la capacidad (en
cualquier da dado) es dos artculos para la lnea I y 3 para la lnea II. Con base en la tabla
adjunta que muestra la distribucin de probabilidades conjunta, siendo X la variable aleatoria
que indica el nmero de artculos producidos en la lnea I y Y la variable aleatoria que indica el
nmero de artculos producidos en la lnea II.

X / Y 0 1 2 3
X

0 0 0.04 0.12 0.09 0.25
1 0.02 0.14 0.21 0.14 0.51
2 0.07 0.06 0.06 0.05 0.24
Y
0.09 0.24 0.39 0.28 1.0

a. Obtener las funciones marginales de X,
X
(x), e Y,
Y
(y)
b. Calcular P(1 X 2, 1, 0 Y < 2).
c. Hallar la probabilidad de que en la lnea I se produzcan ms artculos que en la II.
d. La probabilidad de que se produzcan en total 3 artculos.
e. Verifique:
( )
S
s ( , ) =
XY
y
f s y y con S=X+Y
( ) ( ) ( ) : si X, Y independientes =
s
S X Y
x
f s f x f s x
Solucin:
a. Se observa en la tabla anterior como las sumas de los valores de las filas generan la funcin
marginal de la variable X, lo propio sucede con los valores de las columnas para obtener la
funcin de probabilidad de la variable aleatoria Y.
0.09 y 0
0.25 x 0
0.24 y 1
0.51 x 1
0.39 y 2
0.24 x 2
0.028 y 3
( ) ( )
X Y
f x f y
=
=
=
=
=
=
=

= =

b. P(1 X 2; 0 Y < 2)=
XY
(1,0)+
XY
(1,1)+
XY
(2,0)+
XY
(2,1)=
=0.02+0.14+0.07+0.06 = 0.29
El 29% de la produccin flucta en la Lnea I entre uno y dos artculos y en la Lnea II
menos de dos artculos.
c. P(X>Y)=
XY
(1,0) +
XY
(2,0) +
XY
(2,1)=0.02 + 0.07 + 0.06= 0.15
En el 15% de los das se produce ms artculos en la Lnea I que en la II.
d. P(X+Y=3)=
XY
(1,2)+
XY
(2,1) +
XY
(0,3)= 0.21 + 0.06 + 0.09= 0.36
La probabilidad de que se produzcan en total 3 artculos es 0.36

( )
( )
( )
( )
1 2 1 2
2 1
1 2 1 2
2 1
1 1
XX 1 2 1 XX 1 2 2
0 0
1 2
1 1
1 2
XX 1 2 1 XX 1 2 2
0 0
x ,x 0 x ,x 0
1 1
( ) ( )
2 2
x ,x 1 x ,x 1
x x
x x
x x
f x f x
X X
x x
= =
= =
= =
= = = =
= =


4
2.1.1.3 Funcin de Probabilidad Condicional
Sea un vector aleatorio p- dimensional de clase discreta con funcin de probabilidad conjunta
X
(x), y con vectores aleatorios X
(1)
= ( X
1
, X
2
, ... , X
m
) y X
(2)
= ( X
m+1
, X
m+2
, ... , X
m
), (m <
p), la funcin de probabilidad de X
(1)
dado el vector X
(2)
se define por:
( )
1 2 m m 1 p
1
(1) (2)
(1) (2) ..... X , X ,X /X ,..., X
X , X ,X /X ,..., X
2 m p
1 m 1
1
(1) (2)
,..., (1) (2)
1 1 /
( ( ))
( ( ))
( ) ( )

( / )
tal qu
/ ( ..... )
/
( ,..., )
+
+
= +
+ +
=
=
=
= =
= =
p
j
x x
p
X X
j m
X X
X X
p
m m m X X
P X x
j
P X x
j
x x
x x
x x
2
(2) ,...., .
1
e ( ,..., ) ( )
1
0
+
=
+
>
X X p
m p
x x f x
m
X

y cumple con las propiedades de toda funcin de probabilidad.

Ejemplo 6:
En el Ejemplo anterior, calcular:
a.
X / Y
( x / y=2)
a. La probabilidad de que la lnea I produzca ms que la lnea II dado que se producen en total
3 artculos.
Solucin:
/
0.12
0.30769 0
0.39
( , 2) ( , 2) 0.21
. ( / 2) 0.53846 1
(2) ( 2) 0.39
0.06
0.15385 2
0.39

XY
X Y
Y
x
f x P X x Y
a f x y x
f P Y
x
= =
= =
= = = = = =
= =

La interpretacin de cualquier valor resultante se puede hacer diciendo por ejemplo en caso del
0.53846 que si se producen 2 unidades en la lnea II entonces la probabilidad de que se produzca
una sola en la lnea I es 0.53846. Equivalente a indicar que en los das en que se producen dos
unidades en la lnea II, en el 53.8% de ellos se producen un artculo en la lnea I.

b. P(X>Y / X+Y=3)=
XY
(2,1) / P(X+Y=3) = 0.06 / 0.36= 0.1666

2.2 Vector Aleatorio Continuo
Se encontrara en este aparte la definicin del vector aleatorio continuo y que ste se caracteriza
por sus funciones de densidad conjunta, marginales y condicionales.

2.2.1 Definicin
El vector aleatorio H(X
1
, X
2
,... ,X
p
)= X es absolutamente continuo s existe la funcin g
X
(x)
valorada en los reales tal que cumple:

1 . ( ) 0 2 . . . . . . . . ( ) 1
X X
g x g x d x

=

entonces g
X
(x) es llamada FUNCIN DE DENSIDAD CONJUNTA DE X
1
, X
2
,..., X
p
.


5

1
0
X
2
= 0.2+ X
1

X
1

X
2

1
0.8
0.4
0.6
0.2
.
0.8
.
0.4
.
0.6
.
0.2
X
2
= X
1

A
Adems se verifican las propiedades:
1 2
1
1 2
1 2
3. ( ( )
4. (( , , ... ., ) ) ( )
( ) ) ........
.....
=
=
=

p
j j j
j
b b bp
X
a a a
p
p
p
X
P x d x
P x x x A x d x A
a X b g
g
A
R

.... 1 2
1 2
( , ,..., ) Notacin: ( ) =
X X X p
n X
x x x g x g

Ejemplo 7:
Sea X un variable aleatoria bidimensional de clase continua con funcin de densidad conjunta
2 1 1
1
1 2
1 1 1
1
0 0
0 1
( )
0 en otro caso
1 (1 ) 2
a. Encontrar
1
1
2
X
X
k x x
x
K dX dX K X dX K
g
k
K
< < <
=
= = =
| |
=
|
\

0.8 0.2 1 1
1
1 2 1 2 1
0.8
1 1
0.8
1 1
2 1 1
2 1
2
0
1
0 0.8
( 0.2) . A partir de la figura de al lado
0 2 2 2
2(0.2 ) 2(1 ) 0.36
b. Calcular
X
X X
P X X
P(X . X ) dX dX dX dX
X X dX X dX
+

+ = + =
= + + =

Ejemplo 8:
Sean X, Y las proporciones del tiempo en un da de trabajo, que los empleados A y B,
respectivamente, se ocupan realmente en hacer sus tareas asignadas. El comportamiento de las
frecuencias relativas conjuntas se representan por:
0 1 1 0
( , )
0 en otro caso
x y
XY
x y
g x y
< < < < +
=

Calcular:
1
1/ 2
1/ 4
0
1 1
0 0
21
. ( 1 / 2 , 1 / 4) ( )
64
( 1)
0.328
1
b. ( ) (vease la figura)
3
x
P X Y x y dy dx
P X Y
a
x y dy dx
< > = + =
+ =
=
+ =

Los anteriores resultados indican que:
a. El 32.8% de los das trabajados por los dos empleados se caracterizan por que A trabajo
menos de la mitad del tiempo, mientras que B lo hizo durante ms de la cuarta parte del
tiempo.
b. En uno de cada tres das el tiempo trabajado por A ms el trabajado por B corresponde a un
da laboral completo.

2.2.2 Funcin de Densidad Marginal
Sea X un vector aleatorio continuo con funcin de densidad conjunta g
X
(x); y sean los
subvectores de tamaos m y n-m, X
(1)
=H
1
(X
1
,X
2
,...,X
m
) y X
(2)
=H
2
(X
m+1
,X
m+2
,...,X
p
).
La funcin de densidad marginal de X
m+1..
...X
p
se define por:

6

=
) 1 ( ) 1 ( ) 2 (
) ( ..... ) (
) 1 ( ) 2 (
x d x g x g
X X

y cumple las propiedades de una funcin de densidad.

2.2.3 Funcin de Densidad Condicional
Sea X un vector aleatorio continuo con funcin de densidad conjunta g x ( x ) con x R
p
.
La funcin de densidad condicional de X
(1)
=( X
1
,....,X
m
) dado el vector X
(2)
=( X
m+1,.
....,X
p
) es:

( )
(2) (2)
(2)
siendo 0 (Funcin de densidad marginal de X )
X
g x >

Ejemplo 9:
Continuando con el ejercicio 8, obtener:
a. La funcin de densidad marginal de X e Y.
b. Probabilidad de que el trabajador A labore ms de tres cuartas partes del tiempo sabiendo
que el trabajador B lo hizo en ms de la mitad del da.
c. La funcin de densidad condicional del tiempo laborado por B conociendo el tiempo
laborado por A.
d. La funcin de densidad condicional del tiempo laborado por B sabiendo que el tiempo
laborado por A fue igual a las dos terceras partes del da.

Solucin
( )
( )
1 1
1 1
2 2
0 0
1 1
0.75 0.5
1
0.5
/
1
2
. ( ) ( ) 0 1 ( ) ( ) 0 1
( ) ,
( 0.75, 0.5)
. 0.75 / 0.50 0.325
( 0.5)
(1/ 2 )
( , )
. / 0 1 0 1
( )
Y X
YX
Y X
X
a g y x y dx y y g x x y dy x x
x y dy dx
P X Y
b P X Y
P Y
y dy
g x y x y
c g y x x y
g x x
= + = + = + = +
+
> >
> = = =
>
+
+
= =
+

( )
2 2
4 6
3 3 2
/
3 7 2 2 1
3 3 2
( , )
. / 0 1
( )
YX y
Y X
X
g y y
d g y y
g
+
+
= = =
+

Ejemplo 10:
Suponga la funcin de densidad de la variable aleatoria bidimensional (X, Y) dada por:
2
0 1
3
( , )
0 2
0 e otro caso
. ( 1 2) . ( 1/ 2 1 / 2)
Calcular:
a c.
XY
x y
x x
g x y
y
n
P X b P(Y X) P Y X
+ < <
=
< <
> < < <

Solucin:
1/2
2
2 2
0
1
2
2
( ) 2 0 1
3 3
1 2
2 0.833
2 3
a. = + = + < <
> = + =
| |
|
\
| | | |
| |
\ \
X
x y x
g x x dy x x
x
P X x dx

(1) ( 2)
( 2)
(1) (2)
(2)
/
( )
( / )
( )
X
X X
X
g x
g x x
g x
=

7
3
1 1
2 3
0 0 0
7
. P(Y X) = ( 3) =
6 24
b < + + =
| |
|
|
\

x
x
x x y dy dx x dx

1/ 2 1/ 2
0 0
1/ 2
2
0
1/ 2
2 2
1/ 2 1/ 2 1/ 2 1/ 2
2 2
0
0 0 0 0
( , )
1 1
.
2 2
5
6 2 24 192
c 0.15687
2
2
3
3
g x y dy dx
XY
P Y X
x
x dx
x x y x y x
x dy dx x y dx dx

< < = =
+ = + = + =
| |
|
\
+
| |
| |
| |
|
|
|
| |
\
|
\
\

3. FUNCION DE DISTRIBUCION DE UN VECTOR ALEATORIO
Al igual que en el caso unidimensional, se define la funcin de distribucin de un vector
aleatorio, tales funciones pueden ser conjuntas y condicionales.

3.1 Funcin De Distribucin Conjunta
Sea X un vector aleatorio p- dimensional. La funcin de distribucin conjunta de X se define
como:
1 1 2 2
1
1 2
0 0 0
1 2
1 2
( ) ( , , , , , , ) (

......... ( )
....... ( )
X vector aleatorio discreto

X vector aleatorio continuo
)
=
= = =
= =
=

p
j
p
j
p
X
t t t
p
p
X
X
x
F x P X x X x X x P X x
p j
x
x x
g d
x
x
f t
x x

Tal que cumple las propiedades:
1.
X
Algun
lim F ( ) 0
x
x

=
2.
X
lim F ( ) 1
x
i
x

=
3. La funcin de distribucin marginal del subvector X
(1)
con
(1)
1 2
( , ,....., )
m
X X X X =

1 2
(1)
X
1 2
(1)
, ,....,
......... ( ) lim F ( ) ( )
+ +
+ +

=

p m m
X
X
m m p
X X X
x x x
g d x x x F x

4.
.....
1 2 1 2
1 2
( )
( , , ...., )
, ....,
: Vector aleatorio continuo

=
p
X X X p p
p
F x
X
x x x
X X X
g X

5. Sea X vector aleatorio tal que X'
1
X
1
", X'
2
X
2
",....., X'
p
X
p
"
F
X
(X'
1
,

X'
2
,... ,X'
p
)

F
X
(X"
1
, X"
2
,... , X'
p
)
lo cual indica que la funcin de distribucin conjunta es creciente.

Ejemplo 11:
Segn el ejemplo 5, escribir la funcin de distribucin conjunta.
Solucin:
Recordando que las variables aleatorias indican:

8
X el nmero de artculos producidos en la lnea I,
Y el nmero de artculos producidos en la lnea II.
Se calcula a partir de la tabla suministrada de la funcin de probabilidad conjunta haciendo
variar ms rpidamente la segunda variable quedando en presentacin de tabla as:

Como representacin de funciones y a partir de la definicin

0 0
( ) ( ) varia ms rpido
X
y x
F x f x Y
X
x y = =
=
0 0 0
0.04 0 1 1 2
0.16 0 1 2 3
0.25 0 1 3
0.02 1 2 0 1
0.2 1 2 1 2
( , ) ( , )
0.53 1 2 2 3
0.76 1 2 3
0.09 2 0 1
0.33 2 1 2
0.72 2 2 3
1.0 2 3
XY
x y
x y
x y
x y
x y
x y
F x y P X x Y y
x y
x y
x y
x y
x y
x y

< <
<
<
< <
< <
= =
< <
<
<
<
<

Ejemplo 12:
En el ejemplo 7, determine F
X1 X2
(x
1
, x
2
).
Solucin
Aplicando la definicin de la funcin de distribucin conjunta de X
1
y X
2
se tiene:

2
1 2
2
2
1 1 2
1 2 1 2
1 2 2 1
1
1 2
1 2
0
0 0 0
2( ) 0 1 0 1
( , ) 2
1 1 1
2
< <
= < <
=

x x
x x
x
X X
x x
x
d d x x x x
F x x
x x

3.2 Funcin de Distribucin Condicional
Sea X un vector aleatorio p- dimensional continuo ( discreto) con funcin de densidad (
funcin de probabilidad) condicional. La funcin de distribucin condicional del vector X
(1)

m_dimensional respecto a X
(2)
(p - m)_dimensional se define por:

1 2
(1) (2) (1) (2)
(1) (2)
/
0 0 0
1 2 (1) (2)
(1) (2)
/
1 2
(1) (2) (1) (1) (2)
(1) (2)
/
...... ( / ) X , X discretos
( / )
..... ( / ) X , X continuos
= = =

x x x
m
X X
x x x
m
x x x X X
m
X X
f x x
F x x
g x x d x

X / Y 0 1 2 3
0 0 0,04 0,16 0,25
1 0,02 0,2 0,53 0,76
2 0,09 0,33 0,72 1

9
(1) (2)
(1) (2)
/
(1) (2)
(1) (2)
/
( / ) : Funcion de probabilidad m-condicional.
g ( / ) : Funcion de densidad m-condicional.
X X
X X
f x x
x x

Ejemplo 13:
De los Ejemplos 5 y 8, determinar la funcin de distribucin de X condicionada a los valores de
Y menores o iguales a 2.
Solucin:
Siendo la condicin los valores de Y2, entonces
( )
( , 2)
( 2) /
0.16 ( 0, 2)
0.22
0.72 ( 2)
0.53 ( 1, 2)
0.85
0.72 ( 2)
0.72 ( 0,
1
0.72
0 0
0 1
/ 2
1 2
P X x Y
P Y X Y
P X Y
P Y
P X Y
P Y
P X
x
x
F x
x

= =

= =
= =
<

= =

2)
( 2)
2
Y
P Y
x

NOTA.
Aqu se pudo haber planteado el problema para hallar P(X x / Y=2), donde se excluyen los
valores 0 y 1 de Y, as utilizando la funcin obtenida en el Ejemplo 6, se aplica la definicin de
F
X/Y
dada anteriormente para el caso discreto, obtenindose la respuesta:

( )
/ /
/
/ 0
/
0 0
(0/ 2) (0/ 2) 0.30769 0 1
/ 2 ( / 2)
(1/ 2)
x
X Y X Y
X Y
X Y x
X Y
F f
F
x
x
F x f x
=
=
<
=
= =
/ /
/ / / /
0.84615
1
(0/ 2) (1/ 2) 1 2
(2/ 2) (0/ 2) (1/ 2) (2/ 2) 2
X Y X Y
X Y X Y X Y X Y
f
F f
f x
f f x
=
=
+ =
+ + =

Ejemplo 14:
Una estacin de gasolina se abastece del combustible cada semana, llenando un tanque
determinado. Sea X la proporcin de la capacidad del tanque disponible con gasolina, la cual
vara semana a semana debido al suministro limitado. Sea Y la proporcin de la capacidad del
tanque medida durante la semana. Un modelo que resume la situacin en torno a X y Y est
dado por:
< < <

=
caso otro e 0
1 0 3
) , (
n
x y x
y x g
XY

a. Verifique que g
XY
(x,y) es funcin de densidad.
b. Hallar las funciones marginales de X y Y.
c. Calcular P(X 0.5 , Y ).
d. Determine la funcin de distribucin conjunta de X y Y.
e. Determine g
X / Y
(x / y).
f. Encuentre F
X / Y
(x / y).
Solucin:
1
0 0
1
2 2
0
0
1
1 2 2
0
3 3
2 2
a. 3 1
b. ( ) 3 3 0 1. Se verifica 3x 1
( ) 3 (1 ) 0 1. Se cumple (1 ) 1
x
x
X
Y y
xdy dx
g x x dy x x dx
g y x dx y y y dy
=

= = < < =
= = < < =


10
1/ 2 1/ 2
1/ 4 1/ 4 1/ 4
c
0.5, 1 4 3 3 ( 1 4) 0.039 ( )
. Con base en la figura de al lado,
x
X Y xdydx x x dx P = = =

2
0 0 0
3
. ( , ) 3 3
2
x y x
XY
x y
d x y x dy dx xy dx F = = =

/ X
2
( , ) 3 1
. ( / ) 0<y<x
( )
3

XY
Y
X
g x y x
e g y x
g x x
x
= = =

0 0
0
/ X / X
0
0
1
1
( / ) ( / ) .
y
Y
Y y
y x
Y Y
x
x y
F y x y x dy dy
x
f g
<
<
= = =

4. INDEPENDENCIA DE VARIABLES ALEATORIAS
Sea un vector aleatorio p - dimensional, se dice que las variables aleatorias (continuas o
discretas) que lo conforman son estocsticamente independientes si y slo si:
1
1 2
( ) ( ) , ,... var iables aleatorias discretas
=
=
p
X X
j
j p
j
f x x X X X f
1
1 2
( ) ( ) , ,... variables aleatorias continuas
=
=
p
X X
j
j p
j
g x x X X X g
1
1 2
( ) ( ) , ,... variables aleatorias discretas (o continuas)
=
=
p
X X
j
j
j
F x F x X X X
p

NOTA
De lo anterior, se pueden verificar los siguientes resultados para el caso bidimensional:
F
X/Y
(x / y) = F
X
(x)
g
X/Y
(x ,y) = g
X
(x)

X/Y
(x / y) =
X
(x)

Ejemplo 15:
Un experimento tiene K resultados mutuamente excluyentes, cada uno con probabilidades Pj,
j= 1,2,...., p; tal que Pj = 1. El experimento se repite n veces, en forma independiente una de
otra.
Solucin:
Sea X
j
: variable aleatoria que indica el nmero de veces que ocurre el resultado j, en las n
repeticiones.
Siendo las p variables independientes, es posible escribir la funcin de probabilidad conjunta
como el producto de las funciones marginales, las cuales son binomiales, generando el modelo
que aparece abajo.
1
...
1 2
0
0
1
1, 2, ... ,
( , ..., ) ( Modelo Multinomial)
!
!
=
=
=
= =
=
j
i
p
X X X
p p
i
i
p
p
j
p X n
f x x P
j
n
x
j

Las variables aleatorias X
J
pueden ser categoras de estaturas, clases de elementos reconocidos
por determinada modalidad, etc. Lea el siguiente ejemplo.

11
Ejemplo 16:
El nmero de llamadas telefnicas que se realizan diariamente entre las 7 y las 8 am en una
empresa es una variable aleatoria con distribucin Poisson con parmetros k = 8.
a. Encuentre la funcin de probabilidad conjunta.
b. Si se han producido en la semana 15 llamadas entre las 7 y las 8 de la maana. Cul es la
probabilidad de que en los tres primeros das se hayan producido cada da 2 llamadas, 4
llamadas en el cuarto da y 5 en el quinto da.
c. si la probabilidad de que ocurra una llamada entre las 7y las 8 am los lunes y mircoles es de
0.4, los martes y los jueves 0.7 y los viernes de 0.4. Encuentre la probabilidad que de 15
llamadas semanales 2 sean en cada uno de los 3 primeros das, 4 el jueves y 5 el viernes.

Solucin: Sea X
J
= # de llamadas que se reciben en el da j
5
8 5 40 5 5 5
1
5
1 1 1
1
40 5
9
1 2 3 4 5
3
( 8) ( 8)
. ( ) 0, 1, 2,...
!
( !)
( 8)
. ( 2, 2, 22, 4, 5) 6.35* 10
( 2!) * 4!* 5!
i
x
i
i i i i
i i i i
i
i
e e
a P X x P X x x
x
x
e
b P X X X X X

=
= = =
=
| |
= = = = = =
|
|
\
= = = = = = =

00372 . 0 4 . 0 7 . 0 ) 1 . 0 .(
! 5 ! 4 ) ! 2 (
! 15
4 . 0 * 7 . 0 * 1 . 0 * 7 . 0 * 1 . 0 *
5 4 2 2 2
15
) 5 , 4 , 22 , 2 , 2 ( .
5 6 4
3
5 4 2 2 2
5 4 3 2 1
= =
|
\
|
= = = = = = X X X X X P c

Ejemplo 17:
Verificar s son o no independientes, las variables del ejercicio 5.
Como f
XY
(1, 1) = f
X
(1) f
Y
(1) .14 0.51 * 0.24 = 0.1224 por lo tanto X, Y no son
independientes.

Ejemplo 18:
Un dispositivo electrnico est formado por 2 circuitos integrados. Para que el dispositivo
funcione exitosamente es necesario que cada uno de los circuitos funcione correctamente
durante 2 minutos. Se puede afirmar que los dos circuitos funcionan independientemente. Cul
es la probabilidad de que el circuito funcione correctamente?
Solucin:
Sean: X: El tiempo para fallar el primer circuito X ~Ex()
Y: El tiempo para fallar el segundo circuito Y ~Ex()
La probabilidad de que el dispositivo funcione con xito es:
P(X>2, Y>2)=e
-2
e
-2
=e
-2( + )
.

Ejemplo 19:
Verificar s son o no independientes, las variables del ejercicio 12.
2 2
2 2
1
2
0
2 2 1 2 2
( , ) ( ) ( )
3 3 6 3 6 9 9
1
Siendo ( )
3 3 6
2
2
3
= + = + + = + + +
= + = +
| | | |
| |
\ \
XY X Y
Y
y
g x y g x g y x
g y dx
xy x y y x x
x x
xy y
x

Las variables no son independientes.


12
5. DISTRIBUCION DE FUNCIONES DE VECTORES Y
SUBVECTORES ALEATORIOS
En este aparte se continua el esquema del tratamiento univariado y luego el
multivariado de variables aleatorias aplicado a las funciones aleatorias.

DEFINICIN.
Dadas X
1
, X
2
,..., X
p
sucesin de variables aleatorias (X) y siendo las funciones de
variables aleatorias (Y
1
, Y
2
,...,Y
k
)=H(X)=Y. Entonces, Y es un vector aleatorio k-
dimensional funcin aleatoria de k particiones de X, tal que
( , , ..., )
1 2
(1) (2) ( )
( ) ( ( ), ( ), ......, ( )) ( , , ...., )
1 2
(1) (2) ( ) (1) (2) ( )
, , ......, , , ......,
p
( ) i
:
, , .
1 2
( ) :
donde son valores de las particiones tal que

por tanto
= = = = =

=
p K
X X X
p
k
X Y H X H X H X H X Y Y Y Y
k
k k
X X X X X X
i
X
Y Y
H X Y
..., son vectores aleatorios. Y
k

Ejemplo 20:
Sea un vector aleatorio p-dimensional tal que:
(1) (1)
(2) (2)
(3) (3)
(1) (1)
1 2
1
(2) (2)
1 2
1
(3)
1
a. tal que H(X ) m x( )
tal que H(X ) min( )
tal que H(X ) Rango( )
b. ( , ,...., ) tal que H(X )
( , ,...., ) tal que H(X )
( ,
=
=
= =
= =
= =
= =
= =
=
m
k
k
m
i
i
i
i
X X X
X X X
X X X
X X X X X
X X X X X
X X
(3) 2
2
1
,...., ) tal que H(X )
=
=

p
p i
i
X X X

Ejemplo 21:
Sea un vector aleatorio unidimensional X, entonces
3
2 3
1 2 3
( ) :
(x, x , x )=(y , y , y )
H X Y
x
=

Ejemplo 22:

Sea el vector aleatorio X tal que:
( )
( ) 5 3 3
(1) (2) (3)
1 2 3 4 5 1 2 3
( ) :
( , , , , ) ( , , ) ( , , )

i
H X
H X
x x x x x X X X Y Y Y

X
(1)
=(X
1
, X
2
), X
(2)
=X
3
, X
(3)
=( X
4
, X
5
), entonces:

- H(X
(1)
)=Y
1
=( X
1
+X
2
, X
1
- X
2
):
2 2

- H(X
(2)
)=Y
2
= X
3
3
:
- H(X
(3)
)=Y
3
=( e
X4+X5
, X
4
, X
5
):
2 3

Ejemplo 23:

13
Al lanzar un dado dos veces, se pueden consideran las siguientes variables aleatorias:
X
i
: Resultado del lanzamiento i, i= 1, 2
Un jugador gana dos puntos si sale en un lanzamiento el resultado 5 o el 6, de otra manera
pierde un punto. El resultado de los lanzamientos del dado puede ser par o impar. Las anteriores
caractersticas se pueden expresar como funciones aleatorias de X
i
tal que:
1 2
2 2
( , ) ( , ) (
1 2 1 2
( ) , ( )
1 2
, )
1 2
( , ) : donde
W W X X Y
Y H X H X
Y
x x x
=

(

=

{ }
{ }
{ }
1 2
1
1 2
1 2 1 2 1 2
2 1 2 1 2 1 2 1 2
1 2
0 si (x +x ) es impar
Y
1 si (x +x ) es par
2 si (x , ) (x , )!x 5 6, 5 6
1 si (x , ) (x , )!x 5 6, 5 6, x
4 si (x , ) (5, 5), (6, 6)

=
`
)

= + = =
`

+
)
x x x
Y x x x x
x

5.1 FUNCIN DE PROBABILIDAD CONJUNTA DE FUNCIONES DE VARIABLES
ALEATORIAS.
Sea H(X) una funcin aleatoria discreta. La funcin conjunta de probabilidad de H(X) est dada
por:
( ) 1 1 2 2
( 1) ( 2) ( ) 1 1 1
1 2 1
( ) 1
( ( ) ) ( ) ( , ,...., )
= ( ( ) , ( ) ,...., ( ) )
donde ( ) son val ores del espaci o medi bl e de .
H X Y k k
k
i
i
f H x f y P Y y Y y Y y
P X H y X H y X H y
H y X

= = = = = =
= = =

5.2 FUNCIN DE PROBABILIDAD MARGINAL DE UNA FUNCIN DE
VARIABLES ALEATORIAS.
A partir de la funcin de probabilidad conjunta
( )
( ( )) ( )
H X Y
f H x f y = se define la funcin de
probabilidad marginal de una funcin de variables aleatorias a:
(1)
(1) 1
( ) 1
2
( ( )) ( ) ..... ( )
Y Y
H X
y y
k
f H x f y f y

= =

Ejemplo 24:
A partir del ejercicio 23, la funcin de probabilidad conjunta se construye as:

Obsrvese que como en el caso univariado, las funciones marginales de H(X
(1)
) y H(X
(2)
) son los
valores que aparecen en la ltima fila y columna respectivamente.

TEOREMA.
Sea X un vector aleatorio p-dimensional continuo con funcin de densidad g
X
( x ) y sea
P(Y
1
= y
1
, Y
2
= y
2
)=f
Y1Y2
(y
1
, y
2
)
Y
1
Y
2

f
Y1
-2 1 4
0 8/36 8/36 2/36 1/2
1 8/36 8/36 2/36 1/2
f
Y 2
4/9 4/9 1/9 1.0
2 2
1 2 [ 0,1]
( 1, 1) ( 1, -2) 1/ 36
....................................

( ) ( , ) :
f
Y
H X H X X

=
( 4, 5) ( 0, 1) 1/ 36
.....................................
( 6, 6) ( 1, 4) 1/ 36


14
Y=H(X) :
p p
tal que:

- H(X) tiene inversa, es decir H
-1
(X)=x
- Las derivadas parciales de H(X) son continuas
1
1
1
( )
( )
- Existe J , tal que para J 0 entonces
( )
( ( )) ( ( )) J es la funcin de densidad de ( ).
g g
=
=
H X X
H X
X H
H x H x H X

NOTA 1.
Sea una funcin de un vector aleatorio H(X)=(H(X
(1)
), H(X
(2)
)), la funcin de densidad marginal
de H(X
(1)
) dada la funcin H(X
(2)
) se escribe como:
( ) ( 1) ( 2)
( 2)
( 2)
( )
( 1) ( 2)
( ) / ( )
( ( ) )
( ( ) / ( )
( ( )
g
g
g
H X
H X
H X H X
H x
H x H x
H x
=

NOTA 2.
Funcin de Distribucin de Y=H(X)=(Y
1
, Y
2
,..., Y
k
) .
Si la funcin de densidad conjunta de X es conocida, entonces es posible encontrar la conjunta
de Y, con base en el teorema anterior, y de ah determinar la funcin de distribucin la cual
satisface:
1 2 k
1 2 k
K
1 1 2 2 k K 1 k
y
1 k
-
( ) ( )
F (y) = P(Y y , Y y ,...,Y y )
Y
= P(H (X) y ; H (X) y ;..., H (X) y ) y ,...,y
( ( )) .... ( ( )) d ( ) g F

=
y
H X H X
H x H x H x

Ejemplo 25:
Sea el vector aleatorio continuo X=(X
1
, X
2
, X
3
), con funcin de densidad
3
1
1 2 3
(1) ( 2) (3)
1 2 3 2 3 1 2 3
( ) 0 1, 2, 3
Si H(X) ( , Y , Y ) tal que
H(X ) , H(X ) , H(X )
entonces
g

=
= > =
= =
= = + + = = = =
i i
i
x
X
x e x i
Y Y
Y X X X Y X Y X

(1) (2) (3) -1 -1 -1 -1
1 1 2 3 1 1 2 3 1 2 3
2 2 2 2
3 3 3 3
H (X) (H (X ), H (X ), H (X ) equivalente a
Y de donde X ( ) ( )
Y X
X
=
= + + = + = +
= =
= =
X X X Y X X Y Y Y
X Y
Y X Y

De donde
1 1 1
1 2 3 -1
2 2 2
1 2 3
3 3 3
1 2 3
1 1 1
H (X)
J 0 1 0 1
H(X)
0 0 1

= = = + =
+
X X X
Y Y Y
X X X
Y Y Y
X X X
Y Y Y

{ }
1
1 2 3 1 2 3 2 3
( )
Por tanto, la funcin de densidad de H(X) es
(y , y , y )! (y (y + y )>0, y >0, y >0
( ( ))
0 en otro caso
g
y
H X
e
H x


15
(1)
1 1 2 (1) 2
1 1 1
3 2 1
2 1
0 0
(1)
( )
la funcin marginal de H(X ) es:
( ( )) 0
g

= = >

y y y
y y
H X
y
H x e dy dy y e y

DEFINICIN.
Sea X un vector aleatorio y
( 1) ( 2) ( )
( , ,...., ) k particiones de X
k
X X X , tales particiones son
independientes si
1
( )
( )
i
X

(

son clases independientes.

Ejemplo 26:
Sea el vector aleatorio X=(X
1
, X
2
, X
3
, X
4
) tal que las X
J
son independientes cada una con
funcin de distribucin ( )
Xj j
F x
j
j
j
0 x 0
( ) 0 x 1
1 1 x
<
= <
X j j
j
F x x

Si Y=(Y
1
, Y
2
)=(H(X
(1)
), H(X
(2)
)) con Y
1
=mx(X
1
, X
2
) Y
2
=min(X
3
, X
4
), calcular F
Y
(y).

Solucin:
Siendo las X
J
independientes, entonces las particiones tambin lo son. Adems,
3 1 (1) (2) -1 -1
2 4
j k
Y 1 2
1 2
H (X ) H (X )
cualquiera sea la inversa, su resultado es un X que es independiente de X .
Por lo tanto,
F ( ) ( )* ( )

= =

=
Y Y
X X
y
X X
y F y F y

1 1 1 1 2 1 1 1 2 1
1
2
1 1 1
1 2 1
2 2 2 3 4 2 3 4 2
2
( ) ( ) (mx(X , X ) ) ( , , )
= ( )* ( ) ( )
( ) ( ) (min(X , X ) ) 1 (min(X , X ) )

=
= = = =
=
= = = > =
Y
X X X
i i
Y
F y P Y y P y P X y X y
F y F y F y
F y P Y y P y P y
3 2 4 2 3 2 4 2
4
2 2 2
3 4 3
=1 ( , , ) 1 ( )* ( )
=1 [1 ( )][1 ( )] 1 [1 ( )]
=
> > = > > =
=
X X X
i i
P X y X y P X y P X y
F y F y F y

1 2
2 2
1 1 1 2 2 2
1 2
1 2
0 y 0 0 y 0
( ) 0 y 1 ( ) 1 (1 ) 0 y 1
1 1 1 1 y
Y Y
F y y F y y
y
< <

= < = <

2 4
1 2
1 3
( ) ( ) 1 [1 ( )]
= =
( (
=
( (

Y X X
i i i i
F y F y F y

16
1 2
2 2
1 2 1 2
2
2 1 2
2
1 1 2
0 y 0 y 0
1 (1 ) 0 y 1 0 y 1
( ) 1 (1 ) 1 y 0 y 1
0 y 1 1 y
1
Y
y y
F y y
y
< <
(
< <

= <
<
1 2
1 y 1 y

5.3 CASOS ESPECIALES
A continuacin se resuelve el problema de encontrar las distribuciones probabilsticas de
algunas funciones de variables aleatorias, que a su vez son conocidas como transformaciones,
convoluciones, cambio de variable, etc., las cuales son de gran aplicacin en la teora de
probabilidad.

5.3.1 DE LA SUMA DE DOS VARIABLES ALEATORIAS

TEOREMA. Sea X y Y variables aleatorias distribuidas conjuntamente con funcin de
distribucin conjunta g
XY
(x , y) Haciendo Z=X+Y, entonces
( ) ( , ) ( , )
Z
XY XY
x z x dx g z y y dy g z g

= =

Demostracin:
( ) ( ) ( ) ( , ) ( , )
( , ) Si
z x
Z XY XY
x y z
z
XY
F z P Z z P X Y z g x y dx dy g x y dy dx
g x u x du dx u x dy du u x z x
u z
y

+

= = + = = =
= = =
=
| |
|
\
(
=
(

{ }
( )
( ) ( , ) ( , )

= = =
| |
=
|
\

z
Z XY XY
F z d
Z
g z x u x dx du g x z x dx
dz
g
z

NOTA

5.3.2 DE LA DIFERENCIA DE DOS VARIABLES ALEATORIAS
Aplicando el teorema anterior, pero haciendo V = X Y = X+(-Y) se obtiene la funcin de
densidad para V como
( ) ( , ) , pero tamben es i gual a ( ) ( ; )
V XY V XY
g v g x x v dx g v g v y y dy

= = +

NOTA.
Si X, Y son independientes, la funcin de densidad de Z se encuentra por
( ) ( ) ( ) ( ) ( ) ( ) ( )
Z X Y Y X Z X Y
g z g z g z x g x dx g z z y g y dy g

+

= = =

Ejemplo 27:
Suponga que (X, Y) es un vector aleatorio tal que X, Y son independientes con distribuciones
marginales uniformes en [0, 1]. Encontrar la funcin de densidad de U = X + Y.
Solucin:
1 0 x, y 1
(x , y)
0 en otro caso
< <
=

XY
g
( ) ( , ) Tambien
Z XY
g z g z y y dy

17
0
1
1
( ) ( , ) 0 1
0 1
( ) ( ) ( ) 2 1 2
0 en otro caso
Z
XY
X Y
z
Z Y X
z
P X Y z x y dx dy z
dx z z
z g z x f x dx dx z z
g
g
+

+ = < <
= < <
= = = < <

Ejemplo 28:
Sea (X, Y) un vector aleatorio, tal que X, Y son independientes con funcin de densidad
-x -y
X Y
( )
0 0
( ) ( ) ( )
0
g (x) = e x > 0 g (y) = e y > 0
Si Y = X + Y
Z Y X
z y
z x x z z
g z g z x g x dx
e e dx e dx x e z

=
= = = <

5.3.3 DEL PRODUCTO DE DOS VARIABLES ALEATORIAS
Sea (X, Y) un vector aleatorio, conjuntamente distribuido con funcin de densidad g
XY
(x , y).

TEOREMA.
Si Z = X*Y, entonces la funcin de densidad de Z se escribe como:

1 1
( ) , ,

= =
| | | |
| |
\ \

Z XY XY
z z
g z g x dx g y dy
x y x y

Demostracin
.
0 /
/ 0
( ) ( ) ( , ) ( , ) ( , )
X Y Z
z x
Z XY XY XY
Z x
G z P Z z g x y dx dy x y dy dx x y dy dx g g

= = = +

Sea U = XY
0
0
0
0
, ,
1 1 1
, , ,
1
( ) ( ) , (
( )

Z
z
XY XY
Z
z z z
XY XY XY
Z Z XY Z
u du u du
G g x dx x dx
x x x x
u u u
g x dx du g x dx du g x dx du
x x x X x x
z
g z F z g x dx g z
x x
z g

= +
= + =
= =
| | | |
| |
\ \
| | | | | |
| | |
\ \ \
| |
|
\

1
) ,
XY
z
g y dy
y y
=
| |
|
\

Ejemplo 29:
Sea (X, Y) un vector aleatorio, tal que X e Y son independientes con funcin de densidad
g
X
(x) = 6x (1 - x) 0 x 1
g
Y
(y) = 3 y
2
0 y 1

Suponga Z = X Y; entonces la funcin de densidad de Z es:

( )
2
(1 )
1 1
2 2
2
1 1
( ) ( ) ( ) 6 (1 ) 3( 18
1
18 1 0 log 18 1 log 0 1
)
x
z
x x
x
X Y
z z
g z g x g z x dx x x dx z dx
Z
x
z z z z z z z
z
= = =
= + = + + < <
| |
|
\


18
5.3.4 Del Cociente De Dos Variables Aleatorias
Asumiendo Z = X / Y, la funcin de densidad de z se puede construir utilizando el
teorema anterior, haciendo Z =X(1 / Y) de all
( ) , ) ( ) , ) ( (
Z XY Z XY
z y g y y dy z x g x dx g z g zx

= =

6. ALGUNAS CARACTERISTICAS ADICIONALES DE LOS VECTORES
ALEATORIOS
Al igual que en el caso unidimensional, es posible caracterizar los vectores aleatorios por
medidas que los describan, parte de ellas se definen o mencionan a continuacin.

6.1. VALOR ESPERADO DE UN VECTOR ALEATORIO.
Suponga un vector aleatorio p- dimensional, X, se define valor esperado de X a:
E(X) = [E(X
1
), E(X
2
), .., E(X
p
)]

As mismo, el valor esperado de un producto de p variables aleatorias con funcin de
densidad conjunta conocida ( funcin conjunta de probabilidad). se obtiene como:

1
1
1
1 2
:
( )
( ) :
....... ( ) ( ) Vector aleatorio discreto
........... ( ) Vector aleatorio continuo
=
=

=

p
j
j
p
j
j
p
j
j
p
x x x
f X
X
E
x d x X
X
x x
X
x g

6.2 VALOR ESPERADO DE UNA FUNCIN DE UN VECTOR ALEATORIO.
Si se tiene una funcin H de un vector aleatorio X su valor esperado se define por:
E(H(X)) = [E(H
1
(X)), E(H
2
(X)), .., E(H
p
(X))]

6.2.1 PROPIEDADES.
Sean X, Y variables aleatorias:
1. E(X + Y) = E(X) + E(Y); H(X)=X+Y
2. E(aX + bY+ c) = aE(X) + bE(Y) + c con a, b y c constantes; H(X)= aX + bY+ c
3. S X Y E(X) E(Y)
4. [E(XY)]
2
E(X
2
) E(Y
2
) DESIGUALDAD DE CAUCHY SHWARZ
5.
2 2
( ) ( ) ( ) E X Y E X E Y
6. Para el caso p_dimensional
j j
E( a X )= a E(X )

j j
j j
siendo las a
j
constantes;
Se puede ver que
j j
H(X) a X
=

j

Ejemplo 30:
A partir del Ejemplo 5, y si:
a. S X = [X, Y] obtener el E[X];
b. H(X, Y)=X+Y; c. H(X, Y)=XY, d. H(X, Y)=X/Y
e. Hallar el valor esperado de H(X, Y).

Solucin:
a. E[X]= [E(X), E(Y)]=[0.99, 1.86]


19
. ( ) ( ) ( ) 0.99 1.86 2.85 + = + = + = b E X Y E X E Y
0 0
2 3
. ( ) ( , )
0 0*1* (0,1) 0*2 (0, 2) 0*3* (0, 3)
1*0 (1, 0) 1*1 (1,1) 1*2 (1, 2) 1*3 (1, 3)
2*0 (2, 0) 2*1* (2,1) 2*
= =
= =
= + + +
+ + + + +
+ + +

x y
X Y
X Y X Y X Y
X Y X Y X Y X Y
X Y X Y
c E XY x y f x y
f f f
f f f f
f f 2* (2, 2) 2*3 (2, 3) 1.64 + =
X Y X Y
f f

La interpretacin del literal b. es: el total de unidades producidas por las dos lneas en un da de
trabajo tiende a ser 3.
d., e. Quedan para el lector.

Ejemplo 31:
A partir del Ejemplo 10 si:
a. S X = [X, Y] obtener el E[X];
Hallar el valor esperado de H(X, Y)
b. H(X, Y)=X+Y, c. H(X, Y)=XY.
Solucin:
a. E[X]= [E(X), E(Y)]=[1, 1]
1 1 1 1
2 2
0 0 0 0
. ( ) ( ) ( ) ( 2 ) 1.17 + = + + = + + =

b E X Y x y x y dy dx x x y y dydx
0 0
1 1
3 2 3 2
1 1 1 1
0 0 0 0
2
1 1
2
0 0
. ( ) ( , ) ( )
1

2 3 2 3 6 3 6
= = + =
= + = + = + =
| |
|
\

X Y
c E XY x y g x y dy dx x y x y dy dx
x x x y
x x dx dx
y x

La interpretacin del literal b. es, el tiempo efectivo conjuntamente trabajado por los dos
empleados durante un da laboral cualquiera es apenas un 17% mayor a lo que debera trabajar
uno solo.

6.3 VALOR ESPERADO CONDICIONAL
Podran suceder los siguientes casos:

6.3.1 DE UN VECTOR ALEATORIO BIDIMENSIONAL
Sean X, Y variables aleatorias de un vector bidimensional. El valor esperado de Y dado X se
define por:
( )
( )
( )
/
/
/ X, Y variables aleatorias discretas
/
/ X, Y variables aleatorias continuas
Y X
y
Y X
y f y x
E Y X
y g y x dy

6.3.2 DE UN VECTOR ALEATORIO p_DIMENSIONAL
Sean
(1) (2)
1 2 1 2 1 2
(X , ,...., ); X (X , ,...., ); X (X , ,...., )
+ +
= = =
p m m m p
X X X X X X X vectores
aleatorios, p < m.
El valor esperado condicional de X
(1)
dado X
(2)
se define como:

20
( )
(1) (2)
(1) (1) (2)
(1) (2)
1 2
(1) (2) (2)
, : vectores
.... ( )
aleatorios discretos

x x x
m
X X
f
E X X x
X X
x x x

= =

(1) (2)
(1) (1) (1) (2)
(1) (2)
, : vectores
.... ( )
aleatorios continuos

X X
x dx
X X
x g x

Ejemplo 32:
Continuando con el Ejemplo 5, hallar E (Y/X = 1).
Solucin:
0
3
( / 1) ( / 1)
=
= = = =
y
Y X
E Y X y f x y
(1)
0.02 0.51 0
( 1, y)
0.14 0.51 1
( / 1)
0.21 0.51 2
0.14 0.51 3
( / 1) 0 * 1 * 2 * 3 * 1.92
0.039
0.274
0.412
0.274
0.039 0.274 0.412 0.274
=
=
=
= = =
=
=
= = + + + =
=
XY
Y X
X
y
f x
y
f x y
f y
y
E Y X

Lo cual quiere decir que dado que en la lnea 1 se produjo una unidad, se espera que en la lnea
2 se produzcan aproximadamente dos unidades.

Ejemplo 33:
Para el ejemplo 10, calcular E (Y/X = 0.3).
Solucin:
1
2 3
0
1
2
0
1 1
/
0 0
1
(
/
0
0.3 1
( / 0.3) ( / 0.3) 0.604
1.6 2.4
( 0.3, )
0.3 1
( / 0.3) ) )
( 0.3) 0.8 2
0.3 y y 0.3
y
0.8 2 0.8 2.4
(
2
Y X
x
Y X X
E Y X g y x dy
g y
y
XY
g y x g x y dy x y x
g
X
y
y dy
y
= = = = = + =
+
= = = = + = + = +
+
= +

El tiempo real laborado por el empleado A en un da tiende a ser equivalente al 60.4% sabiendo
que el empleado B durante un da trabaj efectivamente un 30% del tiempo total.

NOTA 1.
El valor esperado puede, en un momento dado, ser una funcin aleatoria a la que se le puede
calcular, a la vez, su valor esperado. As en el caso bivariado se define como:
0
/
/
( )
( / )
( ( / )) ( ) ; U( ) ( / ) con ( / )
( )
( / )
( )
( )
y
x
x
y
X
Y X
x
X
Y X
U x f
f y x
E E Y X E Y x E Y X E Y X
U x g
g y x dy
x
y
x dx
= = = =

Ejemplo 24:
El suministro de potencia (Kilovatios) de una compaa hidroelctrica durante un perodo de
tiempo especfico es una variable aleatoria X U(10, 30). La demanda de potencia

21
(Kilovatios), Y, es una variable que depende de X, Y U(10, 20). Por cada Kilovatio
suministrado la compaa obtiene una utilidad de U$0.03 Si la demanda excede el suministro, la
compaa obtiene una potencia adicional de otra fuente y logra una utilidad de U$0.01 por cada
Kilovatio vendido. Cul es la utilidad esperada durante el tiempo especfico que se considera?
Solucin:
X
1 1
10 20
0.03
: Ut i l i dad
0.03 0.01 ( )
( ) 10 y 20 g ( ) 10 x 30
Y
Y Y X
T
X Y X Y X
g y x
<
=

+ >
= =

( 0.03 )
+ 10 x 20
( / )
( 0.03 0.01 ( ) )
( 0.03 ) 20 x 30
E Y
A
E T X
E X Y X
E Y B

=
`
=

+
)

2
10
20
2
20
10
30 30
10 10
(0.03 ) 0.03 ( ) 0.0015 0.15
(0.03 0.01( )) (0.01 0.02 ) (0.01 0.02 ) ( )
0.001 0.04 0.05
(0.03 ) 0.03 ( ) 0.45
[ ( / )] ( / ) ( ) ( ) ( )

= =
+ = + = + =
= + +
= = =
= = + =

x
Y
Y
x
Y
X X
E Y yg y dy x
E X Y X E Y X y X g y dy
X X
E Y B yg y dy
E E T X E T X g x dx A B g x dx
20 30
2 1 1
20 20
10 20
= ( 0.001 0.04 0.05) 0.45 0.433 + + + =

X X dx dx

La utilidad esperada es de $0.43 por kilovatio suministrado durante el tiempo de referencia.

NOTA 2. Modelo de Regresin.
Sea X un vector aleatorio p-dimensional, (X
(1)
, X
(2)
) particin de X, tal que
{ }
(1) (2) (2)
(2)
(2) (1) (2) (2) (2)
(2) (1) (2)
(2)
X : R y : R , , 0
Se define : M R tal que
(X ) [ ( ) / ]
Entonces se dice que (X ) es la funcin de regresin de ( ) en .
Se suele escribir (X
= < >
= =
k p k
X
M x x k p f
E H X X x x
H X X
(1) (2) (1) (2)
) [ ( ) / ] [ ( )] = = = E H X X x E H X

Ejemplo 35:
Sea X=(X
1
, X
2
, X
3
) un vector aleatorio discreto con funcin conjunta de probabilidad
2 2
1 2 1 2 3
1
96
) ( ( ) 0 3; 0 1; 0 x 2 = +
X
g x x x x x
y las funciones marginales de probabilidad
2 2
1 2
1 1 2 2 3 3
1 2 3
2 2
1 2
/ 2 3 1
2 3 1 2
1
2 1 4 14
1
3
) ) )
)
( 0 3; ( 0 1; ( 0 x 2
32 32
( /
3(2 1)
X X X
X X X
f f f
f
x x
x x x x x
x x
x x x
x
= = =
=
+ +

+
+


22
2 2 2 1 2
(1) ( 2) 1 2 1
2 3 1 1 2 3
2 2
0 0 1 1
2 3
( 2)
1 2 3 1
= (
9 6
3( 2 1)
E[ (X ) / ] [ ( ) / ( ) ( )
3( 2 1)
[ )] [ ] : Funcin de regresin de en
x x
x x x
X X x E H X H X x x
x x
H X X x x x
= =
= =
+
+ +
+ = = = +
+
= +

1
2 2
3
1 1
1
2
0
1
9 6 2 1
50
32 32
3( 2 1)
Adems, E( [ ] )
x
x x
X
x
=
=
+
+ +
=

El lector puede comprobar que E(X
2
+X
3
/ X
1
=x
1
)=E(X
2
+X
3
)=50/32.

6.4 VARIANZA CONDICIONAL
Sea X un vector aleatorio p-dimensional, y (X
(1)
, X
(2)
) una particin de X. Se llama varianza
condicional de X
J
a:

V(X
J
/ X
(2)
=x
(2)
) = E{[X
J
E(X
J
/ X
(2)
=x
(2)
)]}
2

NOTA 3.
- La varianza condicional tambin se puede escribir como:
V(X
J
/ X
(2)
=x
(2)
)= E(X
2
J
/ X
(2)
=x
(2)
) [E(X
J
/ X
(2)
=x
(2)
)]
2
.
- La varianza total de una variable aleatoria Xj se puede desagregar en trminos de valores
esperados condicionales como:
V(X
J
) = V[E(X
J
/ X
(2)
=x
(2)
)] + E[V(X
J
/ X
(2)
=x
(2)
)]

El primer trmino corresponde a la varianza de la funcin de regresin, y el segundo al
valor esperado de la varianza condicional, los cuales son llamados Intravarianza (varianza
de los J promedios) e Intervarianza (Promedio de las J varianzas).

6.5 COVARIANZA DE DOS VARIABLES ALEATORIAS
Sean X un vector aleatorio p_dimensional. La variabilidad conjunta de las parejas de
variables X
i
, X
J
toma el nombre de Covarianza y se define por:

COV (X
i
, X
J
) = E [(X
i
- E(X
i
)) (X
J
- E(X
J
)] =
iJ
para todo i, J

6.5.1 PROPIEDADES
1. COV(X
i
, X
J
)= E(X
i
X
J
)- E(X
i
) E(X
J
)
2. COV(X
i
, X
i
)=
X i
2
=
i
2
=V(X
i
)
3. COV(K X
i
, X
J
) = K COV(X
i
, X
J
) = COV(X
i
, X
J
K)
4. COV(X
i
+ X
J
, X
K
) = COV(X
i
, X
K
) + COV(X
J
, X
K
)
5. COV(X
i
, X
J
+ X
K
) = COV (X
i
, X
K
) + COV(X
J
, X
K
)
6.
( ) ( )
,
, ,
i i j j
i j i j i j i j
COV a a COV X X a X b X =

6.5.2 MATRIZ DE VARIANZAS Y COVARIANZAS
Se llama matriz de varianzas y covarianzas del vector aleatorio X p-dimensional a:
2
1 12 1
2
21 2 2
2
1 2

... ...
... ...
... ... ... ... ...
... ... ... ... ...
... ...

(
(
(
(
=
(
(
(
(

p
p
p p p


23
6.6 PROPIEDADES DE LAS VARIANZAS Y COVARIANZAS
1. Suma de variables aleatorias
-
i j i j i j
V( X X ) = V( X ) + V( X ) 2 COV( X , X )

-
2
1 1 ( )
V ( ) ( ) 2 ( )
n n
i i i i i j i j
i i i j i j
a X a V X a a COV X X
= = <
= +

2. Producto de variables aleatorias
2 2 2
i j j i i j i j i j i j
2 2 2 2
i j j j i j j i i j j
V(X X )= V(X )+ V(X ) + 2 COV(X , X )-COV (X , X )+
+ E[(X - ) (X - ) ]+2 E[(X - ) (X - )]+2 E[(X - )(X - ) ]

i i i

3. Cociente de variables aleatorias
( )
2
j i j
2 2
V(X ) 2 COV(X , X )
V(X )
X
i
X
j
=

+
( (
( (
( (

i
j j
i
i
i j
V

NOTA 4
( )
2 3
1
( ) ( ) Recuerde

+
X X
Y
Y Y
X
E COV X Y V Y
Y

6.7 COEFICIENTE DE CORRELACIN
El coeficiente de correlacin simple permite calificar la relacin lineal que hay entre dos
variables aleatorias, se define por:
( )
1 1
i J
i J
i J i J
i J
X X
COV
X X
X X

= =

Cuando el coeficiente toma el valor +1 -1 la asociacin de las dos variables es perfecta,
ideal, s el resultado es cero no existe relacin.

NOTA 5.
i J Ji
= la correlacin entre X
i
y X
J
es la misma que entre X
J
y X
i
.

6.8 MATRIZ DE CORRELACION
A partir de un vector aleatorio n-dimensional se construye la matriz de correlacin dada as:
12 1
21 2
1 2
1 ...
1 ...
... ... ... ...
... 1

=
(
(
(
(
(
(

p
p
p p

NOTA 6.
Si las X
i
son independientes, entonces no estn correlacionadas. Por lo tanto:

1 1
( ) ( )
= =
=

p p
j j
j j
E X E X
COV(X
i
X
j
) = 0
0
i j
i j
X X
= =

Algunas de las siguientes formas de los diagramas de dispersin nube de datos que
dan lugar a interpretar el coeficiente de correlacin son las siguientes:

24

Ejemplo 36:
En el ejemplo 5, obtener la matriz de covarianzas y de correlacin.
2 2 2 2
1.47 (0.99) 0.4899 4.32 (1.86) 0.8604
0.2014
( , ) 1.64 0.99*1.86 0.2014 0.31
0.4899 0.8604
0.4899 0.2014 1 0.31
0.2014 0.8604 0.31 1
X Y
X Y
COV X Y

= = = =
= = = =

=
( (
=
( (

La relacin lineal entre la produccin de las lneas I y II es inversamente profesional pero es
pequea.

Ejemplo 37:
En el ejemplo 10, obtener la matriz de covarianzas y de correlacin.
1 1
2
0 0
10 7
( ) ) ( )
24 12
2
0.076 0.2764
( E Y x y dx dy E Y
Y

= + = =
= =

1 1
2
0 0
1 10 1 7
( ) ( )
2 24 2 12
E X x dx E X x dx = + = = + =
| | | |
| |
\ \

2
10 7
2
0.076 0.2764
24 12
X X
= = =
| |
|
\


25
0.00694 1 7 7
( , ) * 0.00694 0.091
3 12 12 0.2764*0.2764
0.076 0.00694 1 0.091
0.076 1
XY
COV X Y
= = = =

=
( (
=
( (

No existe correlacin lineal entre la proporcin del tiempo trabajado por el empleado A en un
da de trabajo y la misma variable observada en el empleado B.

6.9 Momentos de un Vector Aleatorio Bidimensional.
Sea el vector aleatorio bidimensional (X, Y). Se define Momento de (X, Y):
Con respecto al origen
( ) ( , ) , 0
r s r s
XY
E X Y x y g x y dy dx r s

=

Con respecto a la media

( ) ( ) ( ) ( ) ( , )
r s r s
X Y
X Y X Y
E X Y g x y x y d x d y

=
(

(

6.10 Funcin Generadora de Momentos
Sea X un vector aleatorio, la funcin generadora de momentos se define como:
1
( ) ( )
=

=
t X
j j
j
X
p
M t E e

( )
r
j
E X se obtiene derivando r veces con respecto a t
j
y tomando el lmite cuando los t
j
0

s
j
Y
r
i
( ) X E se puede obtener derivando r veces con respecto a t
i
y s veces con respecto a
t
j
y tomando lmites para todos los t
i
, t
j
0
0
( ) ,
r s
j
j
r s
i j
t t
i j
X Y i
i
M t t
t t

+
=

6.10.1 PROPIEDADES
1. Sea X un vector aleatorio p-dimensional cuyas variables son independientes y la funcin
generatriz de momentos de cada variable aleatoria existe para todo t en (-h, h) para algn h.
Haciendo Y= X
1
+X
2
+....+X
p
, la funcin generatriz de momentos de Y se escribe como:
( ) ( ).
1
= = < <
=
(

(

X t
i
Y
X
j
p
M t E e M t h t h
j

( ) ( )
( ) ( )
2
1
1
0
2
0
lim ( , 2. ,0 )
1 2
lim ( , 0, )
1 2
X XY
t
Y XY
t
M t t M t M t
XY
M t t M t M t
XY
= =
= =

Ejemplo 38:
Sea X= (X
1
, X
2
) un vector aleatorio cuyos componentes son independientes. Suponga Y
1
=
X
1
+X
2
y Y
2
= X
2
-X
1
Encontrar la funcin de densidad conjunta de (Y
1
, Y
2
).
Solucin:

26
( ) ( ) ( )
( )
( ) ( ) ( ) ( )
1 1 2 2 1 1 2 2 2 1 1 1 2 2 1 2
2 2
( ) ( ) / 2 ( ) / 2 ( )
2 1 2 1 2 1 2 1 1 2
1 2 1 2
1 2
2 2
2 / 2 2 / 2
1 2
1 2
1 2
( )
( ( ) ( )
( ) ( )
=
= )
=
t Y t Y t X X t X X X t t X t t
X t t t t t t X t t
X X
t t
Y Y
Y
M t E e E e E e
E e E e M M e
e M M
t t t t e
e t t
+ + + + +
+ +
= = =
= = + =
=

El resultado corresponde a funciones generatrices de variables normales con parmetros media
cero y varianza dos.

7. INTERRELACIN DE VECTORES ALEATORIOS DISCRETOS Y ESTADSTICA
Es necesario recordar que las funciones de probabilidad conjunta pueden ser de tres clases, las
dos primeras pueden ser llevadas a una tabla que se conoce, para el caso de dos variables, tabla
de doble entrada de contingencia cruzada bidimensional. Si fueran ms variables se
llamaran tridimensionales, tetra dimensionales, y as sucesivamente. Aunque no es usual pasar
de tres variables por la dificultad de lectura y de comprensin de su contenido. Aqu se mostrara
el caso bidimensional, y para dimensiones ms altas se deja al lector para que aplique su
imaginacin. Lase la prxima tabla.
El arreglo equivale a una matriz de r filas por c columnas, adicionndole los que se mencionaba
en una tabla unidimensional, es decir titulo, nombres de filas y de columnas, la fuente y los
valores de las probabilidades expresados en porcentajes.
Las probabilidades condicionales se asocian a tablas similares pero no llevan tanta informacin
como la anterior. Para este caso, las filas suman el 100% (denominadas perfiles fila) si estas
son las condiciones el evento ocurrido (permitiendo hacer anlisis comparativos entre
columnas desde un sentido de proporcionalidad), de una manera similar sucede con las
columnas (obteniendo los perfiles columnas y permitiendo hacer anlisis comparativos entre
filas en el sentido de proporcionalidad). Lase las prximas tablas.

TABLA ?. Distribucin Conjunta de Probabilidad, amplificada por 100.
Variable 1
(X1)
Variable 2 (X2)
TOTAL

x
1
x
C

X
1
P(X1= x
1
, X2= x
1
)*100 P(X1= x
1
, X2= x
C
)*100 P(X1= x
1
)*100

x
R
P(X1= x
R
, X2= x
1
)*100 P(X1= x
R
, X2= x
C
)*100 P(X1= x
R
)*100
TOTAL P(X2= x
1
)*100 P(X2= x
C
)*100 100,0
FUENTE:

TABLA ?. Distribucin de Probabilidad Marginal para X1= x
1
, amplificada por 100.
(Perfil Fila de X1)
Variable 1
(X1)
Variable 2 (X2)
TOTAL

x
1
x
C

X
1
P(X2= x
1
/ X1= x
1
)*100 P(X2= x
C
/ X1= x
1
)*100 100.0

X
R
P(X2= x
1
/ X
R
= x
R
)*100 P(X2= x
C
/ X
R
= x
R
)*100 100.0
TOTAL P(X2= x
1
)*100 P(X2= x
C
)*100 100,0
FUENTE:


27
TABLA ?. Distribucin de Probabilidad Marginal para X2= x
1
,
amplificada por 100. (Perfil Columna de X2)
Variable 1
(X1)
Variable 2 (X2)
TOTAL

x
1

X
1
P(X1= x
1
/ X2= x
1
)*100 P(X1= x
1
)*100

x
R
P(X1= x
R
/ X2= x
1
)*100 P(X1= x
R
)*100
TOTAL 100.0 100,0

Es de resaltar nuevamente, que el investigador decide que informe debe presentar a partir de
tablas como estas, o Grficos (ver ejemplos) que tengan las propiedades para hacer una buena
transmisin del conocimiento, sus interpretaciones se apoyaran en esos elementos y adems
necesitar tener creatividad, arrugar un poco lo ojos, buscar aquello que explique el objetivo a
cumplir de un estudio y el resultado que alguien espera verificar.

A continuacin se presentan varias situaciones que ejemplifican lo mencionado.

Ejemplo 39:
Con base en la informacin del ejemplo 5, construir una tabla de doble entrada y recrese el
problema con grficos para resumir la funcin de probabilidad:
a. Conjunta y las funciones de probabilidad marginales.
b. Condicionales cuando la condicin son los valores de X
c. Condicionales cuando la condicin son los valores de Y

Solucin
Como se tiene el arreglo correspondiente a la funcin de probabilidad conjunta es fcil dar
respuesta a la problemtica planteada. El resultado es:
a. Recuerde que en este tipo de resultados siempre se presentan las intersecciones leyndose
con la conjuncin y (contenidos internos de la tabla), as mismo en lugar de hablar de
probabilidad se menciona el porcentaje. Las sumas correspondientes a cada fila (
columna), denotan la probabilidad marginal. Para interpretacin, destaque los valores
porcentuales altos los bajos, o que muestren tendencias, que tengan un sentido desde el
punto de vista no solo del analista sino del ordeno el trabajo quien espera los resultados.

TABLA ?. DISTRIBUCION PORCENTUAL DE LA PRODUCCION DEL
ARTICULO XYZ SEGUN DOS LINEAS DISPONIBLES. 5-03-2010
LINEA I
LINEA II
TOTAL
0 1 2 3
0 0,0 4,0 12,0 9,0 25,0
1 2,0 14,0 21,0 14,0 51,0
2 7,0 6,0 6,0 5,0 24,0
TOTAL 9,0 24,0 39,0 28,0 100,0
FUENTE:

Otra alternativa que se puede explorar con un dibujante es utilizar los siguientes graficos, en
este caso utilizando las probabilidades conjuntas.


28

b. Cuando los valores de la lnea I son la condicin, se logra que en trminos porcentuales
cada fila sume en total el 100%, siendo factible comparar las filas segn cada valor de la
segunda variable, lnea II, y aparecen tendencias como la que ocurre con la tercera fila,
cuando Y=2, proporcionalmente disminuye el porcentaje de das a medida que aumenta el
nmero de artculos producidos en la lnea 1, disposicin inversa a lo que sucede cuando
Y=0. Adicionalmente, la ltima fila, Total, denota la tendencia de cada valor de la segunda
variable, y se denomina en algunos textos como perfil fila medio.

TABLA 1. DISTRIBUCION PORCENTUAL DE LA PRODUCCION DEL
LINEA I
LINEA II
TOTAL
0 1 2 3
0 0,0 16,0 48,0 36,0 100,0
1 3,9 27,5 41,2 27,5 100,0
2 29,2 25,0 25,0 20,8 100,0
TOTAL 9,0 24,0 39,0 28,0 100,0
FUENTE:* Total de porcentajes segn fila.

GRAFICO 1. DISTRIBUCION PORCENTUAL DE LA
PRODUCCION DEL ARTICULO XYZ SEGUN DOS LINEAS
DISPONIBLES.
0
5
10
15
20
25
0 1 2 3 LINEA II
%
0
2
1
0
1
2
3
0
2
1
0
5
10
15
20
25
%
LINEA II
LINEA I
GRAFICO 2. DISTRIBUCION PORCENTUAL DE LA
PRODUCCION DEL ARTICULO XYZ SEGUN DOS LINEAS
DISPONIBLES.

29

c. Pasando a colocar como condicin los valores de la variable Y, se procede a comparar las
columnas segn cada alternativa de respuesta de la variable X. Se hacen los comentarios de
acuerdo teniendo en cuenta lo ya manifestado.

TABLA ?. DISTRIBUCION PORCENTUAL
*
DE LA PRODUCCION DEL
LINEA I
LINEA II
TOTAL
0 1 2 3
0 0,0 16,7 30,8 32,1 25,0
1 22,2 58,3 53,8 50,0 51,0
2 77,8 25,0 15,4 17,9 24,0
TOTAL 100,0 100,0 100,0 100,0 100,0
FUENTE:
* Total de porcentajes segn columna

Ejemplo 40:
En este ejemplo se presentan dos variables cualitativas, el Estado Civil y el Genero, la
primera variable ya coloca una restriccin, hace referencia solo a personas de 12 aos
mayores, ste conjunto constituye una nueva base de anlisis (las cinco opciones de la
primera variable y las dos del segundo atributo propician el espacio muestral los casos
posibles). Sobre esa base se determinan las probabilidades de los componentes del
0% 20% 40% 60% 80% 100%
0
1
2
TOTAL
LINEA I
GRAFICO 3. DISTRIBUCION PORCENTUAL DE LA PRODUCCION DEL ARTICULO
XYZ SEGUN DOS LINEAS DISPONIBLES.
0
1
2
3
GRAFICO 4. DISTRIBUCION PORCENTUAL* DE LA PRODUCCION DEL
ARTICULO XYZ SEGUN DOS LINEAS DISPONIBLES.
0%
20%
40%
60%
80%
100%
0 1 2 3
LINEA II TOTAL
2
1
0

30
estado civil (los casos favorables) condicionada al genero. El procedimiento
puede ser el siguiente:
- Se obtienen probabilidades condicionales cuando se calculan los porcentajes
dependiendo del gnero de la persona a seleccionar. Se elevan al ciento por ciento
los eventos simples o compuestos, segn sea el inters, para de all determinar
probabilidades de eventos sealados a partir de otra caracterstica. As, en el cuadro
de abajo se tiene que la probabilidad de escoger:
o una persona casada sabiendo que es hombre es 0.305
o una persona soltera dado que es mujer es 0.373

- El cuadro que resume la informacin condicional permite abordar las
comparaciones:
o por fila, si el ciento por ciento lo suman cada una de las columnas
o por columna, en caso de que las filas sumen el ciento por ciento.

En el ejercicio modelo, se determina que es ms probable seleccionar un hombre soltero
que una mujer soltera. Y es menos probable que un hombre sea viudo ( separado) que
una mujer.
Se presenta otro grfico de barras apiladas al 100%, permiten hacer comparaciones
entre las mismas alternativas ubicadas entre las diferentes barras. Equivale al cuadro de
doble entrada condicional.

GRAFICO . POBLACION DE COLOMBIA MAYOR DE 12 AOS
SEGUN ESTADO CIVIL POR GENERO. DANE CENSO 1993.
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Masculino
Femenino Soltero
Casado
Unin libre
Separado
Viudo

Se puede hacer una aproximacin a la Estadstica en trminos de presentacin de resultados,
calculo e interpretacin de algunas medidas de vectores aleatorios continuos, vase el ejemplo
41.
Tabla ? POBLACIN DE COLOMBIA MAYOR DE 12
AOS SEGN GENERO Y ESTADO CIVIL
ESTADO
CIVIL
GENERO
Masculino Femenino
No. % No. %
Soltero 4.892.303 43,9 4.467.801 37,3
Casado 3.400.196 30,5 3.451.007 28,8
Unin libre 2.344.308 21,0 2.457.583 20,5
Separado
Divorciado
309.756 2,8 771.636 6,4
Viudo 200.859 1,8 822.258 6,9
Total 11.147.422 100,0 11.970.285 100,0
FUENTE. DANE. Censo 1993

31
Ejemplo 41:
Se cortan baldosas rectangulares. Si llamamos X al lado ms largo e Y al otro (ancho), la funcin
de densidad que asocia a X e Y es:
g
XY
(x, y) = x y/2 0 < y< x, < 2

Eligiendo intervalos de longitud 0,4 para ambas variables y calculando probabilidades de las
diferentes intersecciones, a partir de:

2 2
1 1
1 2 1 2
2
P(x x y Y y ) =
y x
xy
x y
X dydx

As puede tenerse el siguiente tipo de valores de los intervalos:
1.6 0.4 1.6 0.8 1.61.2 1.6
2 2 2 2
1.2 0 1.2 0.4 1.2 0.8 1.21.2
0.0224 0.0672 0.112 0.0784
x
xy xy xy xy
dydx dydx dydx dydx = = = =

y a partir de las funciones de densidad marginales:
3
3
( ) ( )
4 4

y
x
x y
X Y
g g y = =

se consiguen los valores de las probabilidades P(x
1
< X < x
2
)
3 3 3 3
0.8 1.2 1.6 2
4 4 4 4
0.4 0.8 1.2 1.6
0.024 0.104 0.28 0.5904
x x x x
dx dx dx dx = = = =

Y se obtienen los resultados que figuran en la siguientes tablas:

Tabla ?. Distribuciones conjunta y marginal de probabilidades
segn intervalos propuestos para X e Y.
X
Y
0 - 0,4 0,4 - 0,8 0,8 - 1,2 1,2 - 1,6 1,6 - 2,0 Total
0 - 0,4 0,0016 0 0 0 0 0,0016
0,4 - 0,8 0,0096 0,0144 0 0 0 0,024
0,8 - 1,2 0,016 0,048 0,04 0 0 0,104
1,2 - 1,6 0,0224 0,0672 0,112 0,0784 0 0,28
1,6 - 2,0 0,0288 0,0864 0,144 0,2016 0,1296 0,5904
Total 0,0784 0,216 0,296 0,28 0,1296 1

Tabla ?. Distribucin porcentual de lozas cortadas
segn las caractersticas largo y ancho.
Largo
Ancho
0 - 0,4 0,4 - 0,8 0,8 - 1,2 1,2 - 1,6 1,6 - 2,0 Total
0 - 0,4 0,16 0 0 0 0 0,16
0,4 - 0,8 0,96 1,44 0 0 0 2,4
0,8 - 1,2 1,6 4,8 4 0 0 10,4
1,2 - 1,6 2,24 6,72 11,2 7,84 0 28,0
1,6 - 2,0 2,88 8,64 14,4 20,16 12,96 59,04
Total 7,84 21,6 29,6 28,0 12,96 100

De las tablas se desprende que aproximadamente 3 de cada 5 lozas tienen largos cuyas
longitudes oscilan entre 1.6 y 2 unidades de medida, mientra que la mayora aparente de las
cermicas (3 de cada 10) tienen anchos que van de 0.8 a 1.2 unidades, sin embargo un poco ms
de la cuarta parta (28%) de las piezas cortadas y cerca de la quinta parte (21.6%) varan entre
0,4 y 0,8 unidades, mostrando importante dispersin de esta variable, en razn posiblemente a la
demanda de las mismas.

32
Otra forma de representacin es la grfica, como se ha venido estudiando, mostrando la
forma de la distribucin conjunta a partir de los intervalos sugeridos, donde c
i
, i=1,2, 3, 4, 5
corresponden a la escala asignada a Y.

0 - 0,4
0,8 - 1,2
1,6 - 2,0
C1
C2
C3
C4
C5
0
0,05
0,1
0,15
0,2
P
(
a
<
X
<
b
,
c
<
Y
<
d
)
X
Y
Distribucin conjunta de probabilidades

La dependencia entre el largo y el ancho se observa en el hecho de que ninguna medida del
ancho supera la otra dimensin, de ah que sucedan resultados como que el 20.16% de las piezas
con un largo entre 1,6 y 2,0 correspondan a anchos entre 1,2 y 1,6. Pero vale la pena, a
continuacin, producir otras medidas que ayudan a conocer la intensidad de la dependencia
entre los espacios estudiados.
- g
XY
(x,y)= g
X
(x)*g
Y
(y)? x y/2 (x
3
/4)*(y y
3
/4) sealando la no independencia de X e Y
Calculando el coeficiente de correlacin, se tiene
3
3
2 2 2
16 8 16
2 9 4 5 4 15
0 0 0 0
E(XY) = E(X) = E(Y) = ( )
x
xy y
x
xy dydx x dx y y dy = = =

3
3
2 2
2 2 8 8 16 44
5 4 75 15 4 225
0 0
16 8 16 16 16/225
9 5 15 225
(8/75)(44/225)
( ) ( ) ( ) ( ) ( )
( , ) * 0.49237
y
x
V X x dx V Y y y dy
COV X Y
= = = =

= = = =

El valor del coeficiente es positivo y seala una asociacin directa entre las variables,
pero la cifra lleva a considerar que tal asociacin es regular.

8. MAS INDICADORES.
Algunas otras medidas que apoyan diferentes anlisis de ciertos mtodos estadsticos
aplicados son:

- Varianza generalizada, VG. Una medida global de la variabilidad global de las p
variables de una distribucin multivariante se da como el determinante de la matriz de
covarianzas,

. Se puede obtener tambin como:
1
con el valor propio j de .
=
=
p
j j
j

No sirve para comparar vectores de diferente nmero de variables. De ah que se
prefiere medir la varianza global con el indicador propuesto por Pea y Rodrguez
(2003) conocido como:
VARIANZA EFECTIVA, VE, dado por
( )
1/
=
p
VE


33
- Desviacin tpica generalizada: ( )
1/2

- Varianza total, VT. Resume la dispersin de un conjunto de variables. Se define
como la traza de la matriz de covarianzas, , se obtiene como
1
Traza de con valor propio j-simo de .
=
=
p
j j
j

- Varianza Media, . Equivale a la varianza total divida por el nmero de variables
en el vector aleatorio, p.
- Dependencia global. Dada por el coeficiente de dependencia
1/( 1)
2
1
p

=
- Otra forma de clculo de la Matriz de correlacin. Otra manera de obtener la
matriz de correlacin es en funcin de , como

11
1/2 1/2
con D=
pp
D D

| |
|
=
|
|
\

- Coeficiente de correlacin parcial.
Estos indicadores surgieron para conocer en forma ms precisa acerca de la relacin
entre dos variables aleatorias, fijando controlando la influencia de las dems
variables. Los coeficientes de correlacin parcial son de varios rdenes o grados
segn la cantidad de variables que se controlen, se definen entonces los siguientes:
o De orden cero (el tradicional)
/
( , )
( ) ( )
=
j k
j k
X X
j k
COV X X
V X V X

o De orden uno
Mide la correlacin entre Xj y Xk una vez que de ambas se ha eliminado la parte que cabe
expresar como combinacin lineal de las variables aleatorias en Xg. Se dice coeficiente de
correlacin parcial entre Xj y Xk controlado el efecto de Xg. Es dado por:

2 2
/ / /
/ .
2 2 1 1
/ /
.
(1 ) (1 )

= = =

j j jk jk kg
j
jk kg
j
X Xk X Xg Xk Xg
X Xk Xg kg j
X Xg Xk Xg

o De orden dos
/ . / . /
/
2 2
/ . /
.
(1 ) (1 )

=

j j
j
j
X Xk Xg X Xh Xk Xg Xh
X Xk XgXh
X Xh Xk Xg Xh

o De orden P-1

1 1 1 1 1 1
1 1
1 1 1 1
/ 1. 2,.., , ,.., ( 1) / . 2,.., , ,..,( 1) 1/ . 2,.., , ,.., ( 1)
/ 1 2,.., , ,..,
2 2
/ . 2,.., , ,.., ( 1) 1/ . 2,.., , ,..., ( 1)
.
(1 )(1

+ + +
+
+ +

=

j j j j j j j j
j j j
j j j j j
X X X X X X p X XpX X X x p X Xp X X X X p
X X X X X xp
X XpX X X X p X XpX X X X p
)

Se debe mencionar que al elevar al cuadrado un coeficiente de correlacin parcial su
resultado equivale a un coeficiente de determinacin parcial, interpretndose como un
porcentaje de la variacin de Y no explicada por las variables controladas.

Ejemplo 42:
Sea

34
140.54 49.68 1.94
72.25 3.68
0.25
| |
|
=
|
|
\

a. VG=

=455,66 = 5. 910610*46. 233*166. 75, siendo los multiplicadores los valores
propios de
.
b. DTG=
( )
1/2
=21.346
c.
( )
1/
=
p
VE
= 7.6951
d. VT=
3
1
Traza de
=
= j
j
=213.04
e. VM= =VT/3=71.013
f. Matriz de correlacin
1/2 1/2
1 0.493 0.327
1 0.865
1

| |
|
= =
|
|
\
D D

1/2
11.8551
8.45
0.5
| |
|
=
|
|
\
D

Obsrvese que en , 1.94 < 3.68 < 49.68 mientras en , 0.327 < 0.493 < 0.865. lo cual
quiere decir que la variabilidad conjunta entre las variables cambia bajo la matriz de
covarianzas y con respecto a la matriz de correlacin.
g. Dependencia global,
1/( 1)
2
1
p

= =1-(0.17947)
1/2
=0.57636
h. Los coeficientes de correlacin parcial son:
3 2 3 1 2 1
3 2 1
3 1 2 1
/ / /
/
2 2 2 2
/ /
0.865 0.327 * 0.493
. 0.86
(1 ) (1 ) (1 0.327 ) (1 0.493 )

= = =

X X X X X X
X X X
X X X X

2 3 1 /
. 0.67 =
X X X
=0

Calclense los dems coeficientes.


35
9. EJERCICIOS

1. Dada las variables aleatorias X, Y donde X es el tamao familiar (# de personas del hogar) y
Y porcentaje del ingreso destinado a los gastos. y siendo la funcin de probabilidad conjunta.
Y / X 2 5 8 TOTAL
40 0.15 0.30 0.35 0.8
80 0.05 0.12 0.03 0.2
TOTAL 0.20 0.42 0.38 1.0
Encontrar:
a. La probabilidad de que una familia que destine el 40% de los ingresos para gastos este
conformada mximo por 5 personas.
b. Son independientes X e Y . Justifique su respuesta.
c. Encuentre la funcin de distribucin conjunta.
d. El valor esperado y la varianza de Y.
e. Construya las matrices de covarianzas y correlacin.

2. Sean las variables aleatorias X, Y con funcin de densidad conjunta:
( , ) (2 )
. ( 1 2 3 2)
. . . ( ) . ( ) . ( ) . Son independientes ?
0 1 0 2
X Y
X Y
g x y c x y
a P X Y
b c d E X Y e E X f E Y d X y Y
x y

= +
< < < <

> <

3. Sean X, Y, Z variables aleatorias discretas, tal que:
XYZ
+ + z
f (x, y, z) = = 2, 3 = 1, 2 = 0,1
36
x y
x y z
a. Determnense todas las funciones de probabilidad conjunta de todas las parejas de variables
aleatorias.
b. Encuntrense todas las funciones de probabilidad condicionales.
c. Hllense todas las funciones de distribucin conjuntas.
d. Obtngase las matrices de covarianzas y de correlacin.

4. Dos componentes electrnicos en el sistema de un proyectil trabajan en armona para el buen
funcionamiento del sistema. Si X y Y representan la vida en horas de los dos componentes
con
funcin de densidad conjunta: f
XY
( x, y) = y e
- y ( 1 + x )
x > 0 y >0
a. Encuentre la probabilidad de que el primer componente tenga una vida entre dos y cuatro
horas, y el segundo componente entre una y tres horas.
b. Cual es la confiabilidad del sistema a partir de dos horas de duracin de los componentes.
c. Determine el coeficiente correlacin de las variables.

5. Una instalacin de servicio telefnico opera con dos lneas de servicio. En un da
seleccionado aleatoriamente, considere X la proporcin del tiempo que se utiliza la primera
lnea y Y la proporcin de tiempo que se utiliza la segunda. Suponga que la funcin de
densidad de probabilidad conjunta es: g
X Y
(x, y)= 3 (x
2
+ y
2
)/2 0 < x, y < 1
a. Calcule la probabilidad de que ninguna lnea se utilice ms de la mitad del tiempo.
b. Encuentre la probabilidad de que la primera lnea este ocupada mas del 75% del tiempo.
c. Construya la matriz de covarianzas y de correlacin.
d. Las dos variables son independientes?. Justifique su respuesta.

6. Se eligen al azar n piezas cilndricas entre las producidas por cierta maquina, y que se miden
sus dimetros y longitudes. Se observa que en n
11
ambas medidas son inferiores a los limites
de tolerancia, en n
12
las longitudes son satisfactorias pero no los dimetros, en n
21
los
dimetros pero no las longitudes, y en n
22
ninguna de las medidas es satisfactoria. Se verifica

36
que ni = n, cada pieza puede considerarse procedente de una poblacin polinomial,
a. Defina las variables aleatorias correspondientes y proponga la funcin de probabilidad.
b. Con que valor de probabilidad puede suceder que: n
11
= 90, n
12
=6, n
21
= 3, n
22
= 1.
c. Determine el valor esperado de cada variable, parejas, ternas y cuaternas de variables
aleatorias que se puedan formar.
d. Obtenga la matriz de varianzas y covarianzas y de correlacin. Interprete.

7. Suponga que la funcin de densidad compuesta de la variable aleatoria bidimensional esta
dada por:
g
XY
(x,y) = (x
2
+ x y) / 3 0 < x <1 0 < y < 2
De solucin a los siguientes literales:
a. Verifique que es una funcin de densidad.
b. P(X>1/2; Y<1/ 2)
c. Hallar F
X Y
(x); F
Y
(y)
d. Encuentre la funcin de densidad marginal de X dado Y
e. Son X e Y independientes?
f. Construir la matriz de correlacin

8. Las estadsticas nacionales revelan que sbados y domingos ocurren el doble de accidentes
que los restantes das (en conjunto) de la semana. De estas estadsticas se seleccionan al azar
50 informes sobre accidentes, los cuales son independientes uno de otros.
a. Escribir la expresin que permita hallar la probabilidad de que 10 de estos accidentes hayan
ocurrido un domingo, 8 un lunes, 2 un martes, 7 un mircoles, 6 un jueves, 3 un viernes y 14
un sbado.
b. Cul es la funcin de probabilidad conjunta para la particin H(X
(1)
):Fines de semana,
H(X
(2)
):Das ordinarios.
c. Determine la matriz de correlacin.

9. La produccin mxima de una maquina 1 (M1) es un articulo por da, mientras que la de
una maquina 2 (M2) es 2 unidades por da, Sean M1 y M2 las variables que cuentan la
produccin de cada maquina por da. La funcin de probabilidad conjunta esta dada en la
siguiente tabla:

M1 / M2 0 1 a. Encontrar las distribuciones marginales
0 1 / 8 1 / 4 b. Determinar la funcin de distribucin de M1 si M2=2.
1 1 / 8 0 c. Son X e Y independientes?
2 1 / 4 1 / 4 d. Calcular la matriz de correlacin.

10. En un autoservicio hay una caja comn y una caja rpida. S X es el nmero de clientes qu
estn en la cola de la caja comn en un momento particular del da e Y al nmero de
clientes que estn en la cola de la caja rpida en ese mismo momento. Suponga que la
funcin conjunta de probabilidades se indica en la tabla siguiente:
X
Y
0 1 2 3
0
0,08 0,07 0,04 0
1
0,06 0,15 0,05 0,04
2
0,05 0,04 0,1 0,06
3
0 0,03 0,04 0,07
4
0 0,01 0,05 0,06

a. D una descripcin verbal y calcule su probabilidad de los eventos:
i. (X=1, Y=1), ii. (X=Y)

37
b. Llame A al evento hay por lo menos dos clientes ms en una lnea de espera que en
la otra. Exprese A en trminos de X e Y, calcule la probabilidad.
c. Cul es la probabilidad de que el nmero total de clientes en ambas colas sea: i.
exactamente 4, ii. Por lo menos 4.
d. Encuentre la funcin de densidad condicional de: i. X/Y, ii. Y/X=2.
e. Determine el nmero esperado de clientes en cada cola.
f. Muestre la independencia dependencia de las variables.

11. En un sistema electrnico operan conjuntamente dos componentes de dos tipos diferentes.
Sean Y
1
y Y
2
la duracin aleatoria de los componentes del tipo I y del tipo II, las
mediciones estn en cientos de horas. La funcin de densidad conjunta est dada por:

g
Y1Y2
(y
1
,y
2
)= (1/ 8) y
1
e
-(y
1
+ y
2
) /2
y
1
> 0 y
2
> 0

a. Calcule: P(Y
1
> 1, Y
2
1)
b. P(Y
1
< Y
2
)
c. Verifique si las variables son o no independientes.
d. Encuentre la correlacin de las variables.
e. Determine la probabilidad de que un componente del tipo II tenga una duracin til mayor
de 200 horas.
f. El costo C de reemplazar los dos componentes depende de su duracin y est dado por:
C=50+2 Y
1
+4 Y
2
. Encuentre: i. E(C) ii. V(C)

12. Un ingeniero mide la cantidad (por peso) de un contaminante particular en unas muestras de
aire de cierto volumen recogidas sobre la chimenea de una central de energa elctrica que
funciona con carbn. Sea Y
1
la cantidad del contaminante por muestra recogida cuando no
est funcionando cierto dispositivo de limpieza en la chimenea, y sea Y
2
la cantidad del
contaminante por muestra recogida bajo las mismas condiciones ambientales cuando el
dispositivo est trabajando. Se observa que el comportamiento de la frecuencia relativa de
Y
1
y Y
2
puede ser:
g
Y1Y2
(y
1
, y
2
) = 1 0 Y
1
2 , 0 Y
2
1; 2 y
2
y
1

a. Si est en funcionamiento el dispositivo limpiador, calcule la probabilidad de que la
cantidad de contaminante en una muestra sea mayor que 0.5.
b. Dado que la cantidad de contaminante en una muestra obtenida cuando funciona el
limpiador es de 0.5, calcule la probabilidad de que la cantidad de contaminante, si no
estuviera funcionado el dispositivo limpiador, hubiera sido mayor de 1.5.
c. Son independientes las variables?
d. Interprete la medida de correlacin.

13. Se cortan baldosas rectangulares. Si llamamos X al lado ms largo e Y al otro (ancho), la
funcin de densidad que asocia a X e Y es:

g
XY
(x, y) = k x y 0 < y< x, < 2

a) Hallar k y graficar el recinto donde no se anula g
XY
.
b) Calcular el porcentaje de baldosas que tienen ancho entre 0,5 y 0,6 y largo entre 0,4 y 0,8.
c) Encontrar las densidades marginales.
d) Si el cliente compra slo las de largo 1, cmo sern, probabilsticamente, los anchos?
e) Qu porcentaje de baldosas tienen ancho menor a 0,5?
f) Cul es la media del ancho de las baldosas de largo 1? Cul es la media del ancho de las
baldosas de largo 0,5? Cul es la media del ancho de las baldosas de largo x?


38
14. La duracin Y para los fusibles de cierto tipo se representa por el modelo de una
distribucin exponencial con parmetro 1 / 3. Las mediciones se indican en cientos de
horas.
a. Un fusible se encuentra en un sistema principal y el otro en un sistema de emergencia que
entra en funcin solamente si falla el sistema principal. La duracin efectiva total de los
dos fusibles es entonces Y
1
+ Y
2.
Calcule P(Y
1
+ Y
2
1)
b. S dos de estos fusibles tienen duraciones independientes Y
1
y Y
2
encuentre la funcin de
densidad de probabilidad conjunta para Y
1
y Y
2

15. Un autobs llega a una parada con distribucin uniforme sobre el intervalo de cero a una
hora. Un pasajero tambin llega a la parada en instantes distribuidos uniformemente sobre el
intervalo de cero a una hora. Supngase que los tiempos de llegada de un autobs y del
pasajero son independientes entre s y que el pasajero est dispuesto a esperar el autobs
hasta por un cuarto de hora.
a. Cul es la probabilidad de que tal pasajero pueda abordar el autobs? Sugerencia: Sea Y
1

el tiempo de llegada del autobs y Y
2
el tiempo de llegada del pasajero.
b. Determine la densidad conjunta para Y
1
y Y
2,

c. Obtenga P(Y
2
Y
1
Y
2
+1/4). Interprete.
d. Cul es la distribucin de Y
1
- Y
2
?

16. Dos llamadas telefnicas llegan a un conmutador en tiempos aleatorios durante un perodo
fijo de una hora. Supngase que se realizan las llamadas independientemente entre s.
a. Cul es la probabilidad de que se realicen ambas llamadas en la primera media hora?
b. Cul es la probabilidad de que se realicen las dos llamadas en un lapso de a lo ms de 5
minutos?
c. Encuentre la distribucin de la duracin total de las dos llamadas.

17. Sea V, la velocidad (en cm/seg.) de un objeto de un kilogramo de masa, de una variable
aleatoria con distribucin normal de parmetros cero y 25. Y sea la energa cintica W,
W = 500 V
2
. Calcular:
a. La probabilidad de que la energa sea menor que 200 ergios
b. La funcin generadora de momentos de W.
c. El valor esperado y la varianza de la energa.

18. Sea X la variable aleatoria nmero de llamadas que ocurren en una central telefnica hasta
que se sobrecarga el sistema, el cual puede recibir un mximo de 10 llamadas. La
distribucin probabilstica de X es Geomtrica con parmetro P=0.2.
a. Cuntas llamadas se pueden esperar que sucedan, si se presentan tres fallas del sistema?
b. Determine la variabilidad del evento descrito en a.

19. La funcin de densidad conjunta para la demanda mensual de dos productos es una
distribucin normal Bivariada dada por:

2 2
2 x - 50 (x - 50) (y -25) y - 25
- +
3 10 10 10 10
g
X Y
1
(x , y) .
100 3
e
(
| | | |
(
| |
\ \
(

a. Cul es el coeficiente de correlacin entre X e Y?
b. Encuentre la Covarianza de X e Y.
c. Obtenga la funcin de densidad marginal de X y la funcin condicional de X dado Y.
d. Suponga que la demanda de Y=30. Cul es la probabilidad de que la demanda de X sea
menor a 65?

39
10. BIBLIOGRAFIA

1. Athanasios, Papoulis. Probability, random variables, and stochastic processes. 3a. ed.
Editorial. Mc Graw Hill.
2. Benjamin, Jack R. Probabilidad y estadstica en ingeniera civil. Ed. Mc Graw Hill.
3. Blanco, Liliana. Probabilidad. Universidad Nacional de Colombia. Departamento de
Matemticas y Estadstica.
4. Blume, Johanes. Mtodos estadsticos para ingenieros.
5. Bowker, Albert H. Estadstica para ingenieros
6. Canavos, George C. Probabilidad y Estadstica, aplicaciones y mtodos. Ed. Mc Graw Hill.
7. Devore, Jay L. Probabilidad y Estadstica para Ingeniera y ciencias. 4 ed. Edit. Thomson.
1998.
8. Kennedy, John B.; Neville, Adam. Estadstica para ciencias e ingeniera. 2a. ed. Ed.Harla
9. Mendenhall, William. Introduccin a la probabilidad y la estadstica.
10. Mendenhall, W; Scheaffer, R; and Wackerly, D. Mathematical Statistics Whith
Applications. Grupo Iberoamerica.
11. Meyer, Paul. Probabilidad y aplicaciones estadsticas. Ed. Fondo Educativo Interamericano.
12. Mischa, Schwartz. Information transmission modulation and noise. 2a. ed. Editorial.
Mc Graw Hill.
13. Mood A. M., Graybill F. A., Boes D. C. (1974) Introduction to the Theory of
Statistics. McGraw Hill.
14. Moreno Osorio, Luis, G. Procesos Estocsticos. Departamento de Matemticas y
Estadstica, Facultad de Ciencias. Universidad Nacional de Colombia, Sede Bogota, 1994.
15. Olkin, Ingram, Cyrus Derman y Leon Gleser. Probability, Models and Applications. 2 ed.
Edit Macmillan, NY, 1994.
16. Peebles. Peyton, Z. Probability, Random Variables, And Random Sigilan Principales. Edit.
Mc Graw Hill.
17. Pea Snchez de Rivera, D. (1987): Estadstica Modelos y Mtodos; Vol. 1 y 2, Ed.
Alianza.
18. Rice, John. Mathematical Statistical and Data Analysis . 2 ed. Edit Duxbury Press,
Belmont, CA. 1994.
19. Ross, Sheldon. A first course in probability. Prentice Hall. Quinta edicin. 1998.
20. Surez C, Julio Fernando. Introduccin a la Teora de Probabilidad. 1 Ed. Centro de
publicaciones, Universidad Nacional de Colombia, Sede Manizales.
21. Vlez Moreno, Luis Alfonso. Calculo de confiabilidad. Universidad Nacional de Colombia,
Facultad de Ciencias.
22. Snchez Parra, Hernn. Surez Cifuentes, Julio Fernando. Tablas de Estadstica y
Probabilidad, producidas por, Editadas por el Centro de Publicaciones de la
Universidad Nacional de Colombia Sede Manizales. 2006.

Análisis multivariado vectores aleatorios

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Análisis multivariado vectores aleatorios

Caricato da

Copyright:

Formati disponibili

ELEMENTOS DE ANALISIS MULTIVARIADO

JULIO FERNANDO SUAREZ CIFUENTES

< < <

< < < <

Potrebbero piacerti anche