Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Variables Aleatorias
Bidimensionales
En nuestro estudio hasta ahora, solo nos interesaba el analisis de una variable en un experimento dado. En estos casos indicabamos el resultado del
experimento con un solo n
umero x. Sin embargo en algunos experimentos
aleatorios es posible observar varias caractersticas al mismo tiempo.
Son ejemplo de la anterior:
1) Observacion de varias propiedades de un material como (dureza y contenido). Aqu (d,c) es un resultado del experimento.
2) Observacion de las facciones raciales (peso, estatura, color de los ojos
y el pelo de una persona). En este caso (p,e,o,l) es un resultado del
experimento.
3) Cantidad de lluvia total (u) y promedio (p) de temperaturas en octubre.
(u,p) es un resultado del experimento.
4) Produccion y consumo.
5) Ventas y utilidades.
6) Gastos en publicidad, valor de la renta.
7) Rendimiento y desercion escolar.
8) Salario, horas de trabajo.
1
Definici
on 7.0.1. Sea (, =, P ) un espacio de probabilidad. Definamos como
vector aleatorio, variable multidimensional o variable aleatoria multivariada
a una funcion X de en Rm que sea -medible o sea, la funcion:
X(w) = (X1 (w), X2 (w), ..., Xm (w))
es tal que para todo i = 1, 2, ..., m y todo Ii R, se tiene X 1 (Ii ) =
Observaci
on 7.0.1. Queda implicito que X1 , X2 , ..., Xp son v.a. en el mismo
espacio de probabilidad (, =, P ). As,
{w : X1 (w) x1 , X2 (w) x2 , ..., Xm (w) xm } =
m
\
{w : Xi (w) xi }
i=1
Definici
on 7.0.2. Sea experimento y espacio muestral asociado a .
Sean X, Y variables aleatorias que asignan un n
umero real a cada .
Llamamos (X, Y ) una variable aleatoria bidimensional (v.a.b.) [o vector aleatorio bidimensional].
Gr
aficamente.
h : R2
(X, Y )() = (X(), Y ())
Si X1 , X2 , X3 , ..., Xn son n familias aleatorias, cada una de las cuales asigna
a cada un u
nico n
umero real [X1 = X1 (), ..., Xn = Xn ()], entonces
la n upla (X1 , X2 , ..., Xn ) es una variable aleatoria n dimensional.
Observaci
on 7.0.2. As como en el caso unidimensional RX representa el
recorrido de X, RXY es el recorrido de (X, Y ) en el caso bidimensional.
RXY sera entonces un subconjunto del plano euclidiano, pues cada uno de
los resultados X(), Y () se podra representar como un punto (X, Y ) del
plano.
Definici
on 7.0.3. El vector (X, Y ) es una variable aleatoria bidimensional
discreta (v.a.b.d.) si los posibles valores de (X, Y ) son finitas o infinitas numerables. Es decir los posibles valores de (X, Y ) se pueden representar como
(xi , yi ), i = 1, 2, ..., n, ... j = 1, 2, ..., m, ...
El vector (X, Y ) es una variable aleatoria bidimensional continua (v.a.b.c.)
si pueden tomar todos los valores en un conjunto no-numerable del plano
euclidiano.
En el caso discreto los valores de (X, Y ), (xi , yi ) se ubica en el plano euclidiano tal como se muestra a continuacion.
En el caso caso continuo (X, Y ) puede tomar, por ejemplo, todos los valores
en el rectangulo. {(X, Y )/a X b, c Y d}
o todos los valores en el circulo {(X, Y )/X 2 + Y 2 1}.
Observaci
on 7.0.3.
a) El vector (X, Y ) es una v.a.b. si representa un resultado del experimento en el cual han medido las caractersticas numericas X y Y .
DE PROBABILIDAD DE (X, Y)
7.1. DISTRIBUCION
7.1.
Distribuci
on de Probabilidad de (X, Y)
Definici
on 7.1.1.
a) Sea (X, Y ) una v.a.b.d. a cada resultado (xi , yj ) asociamos un n
umero
(xi , yj ) que representa P [X = xi , Y = yj ] el cual satisface las siguientes condiciones:
i. (xi , yj ) 0 para toda (xi , yj ).
X
X
ii.
(xi , yj ) = 1.
j=1 i=1
Observaci
on 7.1.1.
1) Consideremos una masa total unitaria distribuida en una region del
plano. En el caso discreto toda la masa esta ubicada en un n
umero
finito o a lo mas infinito enumerable de puntos, con masa (xi , yi ) en
el punto (xi , yi ) para todo i, j.
En el caso continuo la masa se encuentra ubicada en una region B del
plano.
ZZ
2) La condicion
f (x, y) dxdy = 1 significa que el volumen total bajo
B
Esta
ultima probabilidad se refiere a sucesos en . Se puede considerar
entonces que los sucesos B y { /(X(), Y ()) B} son equivalentes.
DE PROBABILIDAD DE (X, Y)
7.1. DISTRIBUCION
Si (X, Y ) es continua
ZZ
f (x, y) dxdy.
P (B) =
B
1
4
1
4
1
4
1
4
1
Como obtenemos (1, 1)?
Ejemplo 7.1.2. Se lanza un par de dados corrientes. Sean X y Y las variables definidas como sigue:
X(a, b) = m
ax(a, b) y Y (a, b) = a + b.
Obtener la distribucion de probabilidad conjunta (X, Y ).
10
11 12
1
36
2
36
1
36
2
36
1
36
2
36
2
36
2
36
1
36
2
36
2
36
2
36
2
36
2
36
1
36
2
36
2
36
2
36
2
36
2
36
1
36
2
36
2
36
DE PROBABILIDAD DE (X, Y)
7.1. DISTRIBUCION
1
12
1
18
1
6
1
4
1
4
1
5
2
15
Hallar.
a) (2, 1); (3, 2); (3, 4)
b) Sea B = {X > Y }. Hallar P (B).
c) Calcular P [X + Y < 7]
Soluci
on:
a) (2, 1) = P {(X = 2, Y = 1)} = 61 ,
(3, 2) = P {(X = 3, Y = 2)} = 15 ,
(3, 4) = P {(X = 3, Y = 4)} = 0.
PP
b) P (B) = P {X > Y } =
X>Y (x, y) = (2, 1) + (3, 1) + (3, 2) =
1
1
11
+ 0 + 5 = 30 .
6
c) Similar.
Ejemplo 7.1.4. Suponga que un grupo de 10 personas se encuentran clasificados en las clases A, B, C y D de tal forma que el n
umero de personas por
clases es:
A 3 individuos
B 3 individuos
C 2 individuos
D 2 individuos.
Se selecciona al azar un grupo de 3 personas. Sean, las v.a.
10
X # de personas de la clase A
Y # de personas de la clase B.
Encuentre la funcion de distribucion del vector (X, Y ).
Soluci
on:
Existen 10
= 120 formas distintas de seleccionar el grupo de 3 personas.
3
4
Sea n(i, j) = 3i 3j 3ij
, para i, j = 0, 1, 2, 3; i + j 3, el n
umero de
formas de seleccionar 3 individuos, siendo i de la clase A y j de la clase B.
Entonces, la funcion de distribucion conjunta discreta es:
4
3 3
n(i, j)
i j 3ij
P (X = i, Y = j) =
=
.
120
120
Luego,
P (X = 0, Y = 0) =
P (X = 1, Y = 0) =
3
0
4
300
120
3 3
1
4
310
120
3 3
P (X = 2, Y = 0) =
P (X = 3, Y = 0) =
P (X = 0, Y = 1) =
P (X = 1, Y = 1) =
3
P (X = 2, Y = 1) =
P (X = 3, Y = 1) =
P (X = 0, Y = 2) =
1
,
120
18
,
120
36
,
120
9
,
120
0
= 0,
120
12
,
120
4
302
120
4
331
120
3 3
12
,
120
4
321
120
3 3
4
311
120
3 3
18
,
120
4
301
120
3 3
4
330
120
3 3
4
,
120
4
320
120
3 3
DE PROBABILIDAD DE (X, Y)
7.1. DISTRIBUCION
P (X = 1, Y = 2) =
P (X = 2, Y = 2) =
3
1
4
312
4
322
120
3 3
3
P (X = 0, Y = 3) =
P (X = 1, Y = 3) =
P (X = 3, Y = 3) =
120
3 3
P (X = 3, Y = 2) =
P (X = 2, Y = 3) =
3
0
= 0,
120
9
,
120
0
= 0,
120
0
= 0,
120
0
= 0.
120
4
333
120
4
323
120
3 3
0
= 0,
120
4
313
120
3 3
4
303
120
3 3
9
,
120
4
332
120
3 3
Entonces,
Y |X
0
0
4/120
1
18/120
12/120
2
3
1/120
X = x 35/120
1
2
3
18/120 12/120 1/120
36/120 4/120
0
4/120
0
0
0
0
0
63/120 21/120 1/120
Y =y
35/120
63/120
21/120
1/120
1.0
As,
P (0 X 1, Y = 1) =
1
X
P (X = x, Y = 1)
x=0
= P (X = 0, Y = 1) + P (X = 1, Y = 1)
18
36
54
=
+
=
.
120 120
120
11
12
P (Y 1) =
3
X
P (X = x, Y 1)
x=0
= P (X = 0, Y
+ P (X = 3, Y
= P (X = 0, Y
+ P (X = 1, Y
+ P (X = 3, Y
98
=
.
120
1) + P (X = 1, Y
1)
= 0) + P (X = 0, Y
= 1) + P (X = 2, Y
= 0) + P (X = 3, Y
1) + P (X = 2, Y 1)
= 1) + P (X = 1, Y = 0)
= 0) + P (X = 2, Y = 1)
= 1)
a) Hallar el valor de k que hace que f sea una buena fdp conjunta.
b) Sea B = {X Y }. Hallar P (B).
Soluci
on:
9000
10000
f (x, y) dxdy =
f (x, y) dxdy = 1
4000
5000
Z 9000
5000k dy = 1
4000
(5000)2 k = 1
1
k=
.
50002
DE PROBABILIDAD DE (X, Y)
7.1. DISTRIBUCION
b)
P (B) = P [X Y ] = 1 P [X Y ]
Z 9000 Z y
(5000)2 dxdy
=1
5000
5000
17
= .
25
Ejemplo 7.1.6. Sea (X, Y ) la v.a.b.c. con fdp conjunta dada por:
fXY (x, y) =
Z
x2 +
0
xy
3
si 0 x 1, 0 y < 2
caso contrario
a) Verificar que
f (x, y) dxdy = 1
Soluci
on:
13
14
a)
xy
) dxdy
3
0
0
1
Z 2 3
x
x2 y
+
dy
=
3
6 0
0
Z 2
1 y
=
+
dy
3 6
0
2
y y 2
= +
3 12 0
4
2
= 1.
= +
3 12
f (x, y) dxdy =
(x2 +
b)
P (B) = P [X + Y 1] = 1 P [X + Y 1]
Z 1 Z 1x
xy
x2 +
=1
dydx
3
0
0
65
7
= .
=1
72
72
DE DISTRIBUCION
ACUMULATIVA DE LA V.A.B. (X, Y )15
7.2. FUNCION
7.2.
Funci
on de Distribuci
on Acumulativa de
la v.a.b. (X, Y )
Definici
on 7.2.1. Sea (X, Y ) una variable aleatoria bidimensional. La funcion de distribucion acumulativa (f.d.a.) de F de la variable aleatoria bidimensional (X, Y ) viene dada por:
F (X, Y ) = P [X x, Y y]
16
Teorema 7.2.2. Si x1 < x2 y y1 < y2 , entonces P [x1 < X < x2 , y1 < Y <
y2 ] = F (x2 , y2 ) F (x1 , y2 ) F (x2 , y1 ) + F (x1 , y1 )
Demostracion. Graficamente se tiene:
Observaci
on 7.2.1. Sea F la fda de (X, Y ). Entonces, siempre se cumple
que cualquieras x1 < x2 y y1 < y2 ,
F (x2 , y2 ) F (x2 , y1 ) + F (x1 , y1 ) F (x1 , y2 ) 0.
Observaci
on 7.2.2.
F (x, y) = P [X x, Y y]
X X
a) En el caso discreto tenemos F (x, y) =
(xi , yj )
xi X yj Y
DE DISTRIBUCION
ACUMULATIVA DE LA V.A.B. (X, Y )17
7.2. FUNCION
Z
f (x , y ) dy dx
a2
b1
f (x, y) dxdy.
=
a2
a1
F F
, y
x
F
existe y son continuas, ademas xy
existe para todo x, y R.
Ahora consideremos un punto (x, y) situado en el plano tal como se
ilustra en la siguiente figura,
18
R(x, y)
M = R(x + x, y) R(x, y) =
x
x
u
=
[F (x, y + y) F (x, y)],
x
x
entonces,
M=
[F (x, y + y) F (x, y)] x.
x
u
Similarmente tenemos:
2
F (x, y)
M=
xy
xy
(u,v)
F
(x,
y)
=
D
xy
(u,v)
es la densidad media usada de probabilidad en el rectangulo, entonces
es la densidad instantanea en el punto (x, y) y
lm D
x0
y0
2
= F (x, y)
lm D
x0
xy
y0
2 F (x, y)
xy
DE DISTRIBUCION
ACUMULATIVA DE LA V.A.B. (X, Y )19
7.2. FUNCION
Y |X
1
4
1
4
1
4
1
4
1
La f.d.a. FXY (x, y) viene dada por:
Y |X
X<0 0X<1 1X
Y <0
0Y <1
1
2
1Y
1
4
1
2
Con la solucion al cuadro anterior calculemos: F (0, 0,1), F (0, 1,8), F (1, 1)
y F (1,8, 2,6)
Entonces, se tiene que:
F (0, 0,1) = P [X 0, Y 0,1] = (0, 0) = 41 ,
F (0, 1,8) = P [X 0, Y 1,8] = (0, 0) + (0, 1) = 14 + 14 = 12 ,
F (1, 2) = P [X 1, Y 2] = 0,
F (1,8, 2,6) = P [X 1,8, Y 2,6] = (0, 0) + (0, 1) + (1, 0) + (1, 1) = 1.
Ejemplo 7.2.2. Sea (X, Y ) una v.a.b.c. con fdp conjunta dada por:
4xy si 0 < x < 1, 0 < y < 1
f (x, y) =
0
caso contrario.
Hallar F (x, y).
Soluci
on:
Z
FXY (x, y) = P [X x, Y y] =
Z
yZ
f (x , y ) dx dy
4x y dx dy
0
Z y0
Z x
=4
y dy
x dx
0
y
x 0
4y 2 x 2
=
2 0 2 0
= y 2 x2 si 0 < x < 1, 0 < y < 1
=
20
h(x) dx siempre
g(y) dy
h(x)g(y) dxdy =
Observaci
on 7.2.3.
Ejemplo 7.2.3. La fda de una variable v.a.b.c. (X, Y ) viene dada por
1 3x 3y + 3xy x 0, y 0
FXY (x, y) =
0
en otro caso
Hallar fXY (x, y).
Soluci
on:
Usando el hecho que f (x, y) =
2 F (x,y)
.
xy
En efecto:
2 FXY (x, y)
FXY (x, y)
= ln 3(3x 3xy )
= ln2 3(3xy ).
x
xy
Ejemplo 7.2.4. Sabiendo la que la F (x, y) de una v.a.b.c. viene dada por:
senxseny para 0 x 2 0 y 2
F (x, y) =
0
para x < 0 o y < 0
Hallar la probabilidad de que el punto aleatorio (x, y) caiga en el rectangulo
limitado por las rectas X = 0, X = 4 , Y = 6 y Y = 3 .
Soluci
on:
Usando la expresion
P [x1 X x2 , y1 Y y2 ] = F (x2 , y1 ) F (x1 , y2 ) F (x2 , y1 ) + F (x1 , y1 )
tomando x1 = 0, x2 = 4 , y1 =
y y2 = 3 , se obtiene:
DE DISTRIBUCION
ACUMULATIVA DE LA V.A.B. (X, Y )21
7.2. FUNCION
7.2.1.
Funci
on de Distribuci
on Conjunta de un vector
aleatorio
0
x1 0 o x2 0
x1
2x2
(x1 +2x2 )
1e
e
e
x1 0 , x2 0
22
Demostracion.
m
\
{ : Xj () xj }{ : Xj () aj }
i=1
j6=i
m
\
{ : Xi () xi }{ : Xj () bj }
i=1
j6=i
i) Sea xj { : Xj () xj } . Entonces,
m
\
{ : Xj () xj } de donde se sigue que F (X) 0.
j=1
Tm
i=1 {
: ai Xi () bi } F.
7.3.
Funci
on de Distribuci
on Marginal
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
Y |X
1
12
3
P
1
18
5
36
1
6
1
9
1
4
19
36
3
12
14
45
79
180
1
5
2
15
1
3
23
X
=
(xi , yj )
j=1
entonces =
(xi , yj )
j=1
x1
(X) (x1 )
x2
xk
(x2 )
(xk )
24
X
=
(xi , yj )
i=1
entonces q =
(xi , yj )
i=1
Si definimos la funcion q para y1 , y2 , ..., tenemos entonces la distribucion marginal de probabilidad de Y , la cual se representa de la siguiente forma:
Y
y1
y2
yk
q(y)
q(y1 )
q(y2 )
q(yk )
g(x) =
f (x, y) dy.
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
25
h(y) =
f (x, y) dx.
Tales fdp marginales corresponden a las fdp basicas de las variables aleatorias
unidimensionales X Y . En efecto:
P [c X d] = P [c X d, < Y < ]
Z dZ
=
f (x, y) dydx
Z
=
g(x) dx.
c
26
Z bZ
f (x, y) dxdy
a
b
h(y) dy.
=
a
Ejemplo 7.3.1. Sea (X, Y ) una v.a.b. discreta cuya fdp conjunta esta dada
por la tabla
P
Y |X 1 2 3
j
1
1
12
3
P
1
18
5
36
1
6
1
9
1
4
19
36
0
1
5
2
15
1
3
3
12
14
45
79
180
Interpretaci
on:
(x2 , y3 ) = P [X = x2 , Y = y3 ] = P [X = 2, Y = 3] = 14
XX
Facilmente se puede comprobar (en la tabla) que
(xi , yj ) = 1.
i
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
27
(x1 ) = P [X = 1] =
5
36
1 1 1
19
(x2 ) = P [X = 2] = + + =
6 9 4
36
1
(x3 ) = P [X = 3] =
3
Luego la distribucion marginal de X sera
x
(x)
5
36
19
36
1
3
3
12
14
45
79
180
28
F1 (0) = 0,
F1 (6) = P [X 6] = (1) + (2) + (3) = 1,
3
F2 (2,84) = P [Y 2,84] = q(1) + q(2) = 12
+
F2 (20) = 0,
F2 (31) = 1.
14
,
45
Ejemplo 7.3.2. Suponga que (X, Y ) es una v.a.b.c. con fdp conjunta dada
por:
2(x + y 2xy) si 0 x 1,0 y 1
f (x, y) =
0
En otra parte
Hallar las fdp marginales.
Soluci
on: fdp marginal de X
Z 1
g(x) =
2(x + y 2xy) dy
0
1
y2
2
xy )
= 2(xy +
2
0
=1
para 0 x 1.
para 0 y 1.
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
29
a) Hallar k.
b) Hallar g(x).
c) Hallar h(y).
Soluci
on: Es importante notar en este ejemplo que los valores que toma y
dependen de lo que vaya asumiendo x. Especficamente la region objeto de
estudio es:
B = {(x, y)/0 < x < 2 , , x < y < x},
la cual es descrita en la figura anexa.
f (x, y) dydx = 1.
a) Utilizaremos el hecho
Z Z
Z 2Z x
En este caso:
f (x, y) dydx =
kx(x y) dydx. Calcu Z
0
x
2Z x
laremos k a partir de k
(x2 xy) dydx = 1. Esto implica que
0
k = 81 .
b) fdp marginal de X.
Z
f (x, y) dy.
30
1 2
(x xy) dy. Luego,
x 8
x
xy 2
1 2
x y
8
2 x
1
x3
x(x)2
2
2
x x
x (x)
8
2
2
1
(2x3 )
8
x3
; 0 < x < 2.
4
f (x, y) dy =
En nuestro caso:
1
g(x) =
8
(x2 xy) dy =
=
=
=
c) fdp marginal de
Z Y.
f (x, y) dx. Como 0 < x < 2 y x < y < x, entonces
Se usa h(y) =
0 > x > 2 por lo tanto se debe tomar en cuenta que 2 < x <
y < x < 2. Entonces, existen por lo tanto dos probabilidades:
i) 0 y < 2Z y y < x < 2, entonces
2
1 y y3
1
(x2 xy) dx = +
h(y) = 8
si 0 y < 2.
3 4 48
y
ii) 2 < y Z0 y 2 < x < y, entonces
2
1 y 5y 3
h(y) = 81
(x2 xy) dx = +
si 2 < y 0.
3 4
48
y
Extendemos ahora la definicion de distribucion marginal a un vector aleatorio
m-dimensional.
Definici
on 7.3.1. Sea X = (X1 , X2 , , Xk , , Xm ) un v.a. m-dimensional
con funcion de distribucion F (x) y fdp conjunta f (x), donde x = (x1 , x2 , , xk , , xm )
Entonces, se define la funcion de densidad marginal por:
Z
Z
m
Y
fXk (xk ) =
f (x)
dxi .
(7.1)
i6=k
x1
xm
i=1
i6=k
xm
(7.2)
CONDICIONAL
7.4. DISTRIBUCION
31
si x < 0 o y < 0
e ) si 0 < x < 5 ; y 0
FXY (x, y) =
1 ey
si x 5 ; y 0
y
x
(1
5
Z
fX (x) =
0
2.
Z
fY (y) =
0
1
1 y
e dy = , si 0 x < 5.
5
5
1 y
e dx = ey , si y 0.
5
0 si x < 0
x
si 0 x < 5
FX (x) = lm FXY (x, y) =
y
5
1 si x 5.
y
FY (y) = lm FXY (x, y) =
x
7.4.
0
si y < 0
y
1e
si y 0.
Distribuci
on Condicional
Definici
on 7.4.1.
1. Sea (X, Y ) una v.a.b. discreta con funcion de probabilidad (x, y). Sea g(yj ) la funcion de probabiidad marginal de la
v.a.d. Y, si para Y = yj , g(yj ) > 0; se define la funcion de probabilidad
de X = xi dado Y = yj como:
(xi |yj ) = P [X = xi |Y = yj ] =
P (X = xi , Y = yj )
.
g(yj )
(7.3)
32
xi x0
g(yj )
2. Sea (X, Y ) una v.a.b. discreta con funcion de probabilidad (x, y). Sea
(xi ) la funcion de probabiidad marginal de la v.a.d. X, si para X = xi ,
(xi ) > 0; se define la funcion de probabilidad de Y = yj dado X = xi
como:
g(yj |xi ) = P [Y = yj |X = xi ] =
P [X = xi , Y = yj ]
.
(xi )
(7.4)
Y y0
(xi )
Definici
on 7.4.2. Sea (X, Y ) una v.a.b continua con f.d.p conjunta f (x, y),
g y h las fdp marginales de X y Y respectivamente.Entonces,
1. Si h(y) > 0, la fdp condicional de X para Y = y dada, esta definida
por:
f (x, y)
g(x|y) =
.
(7.5)
h(y)
La fda de X para Y = y dada, esta definida por:
Z x
g(z|y)dz.
(7.6)
F (x|y) =
CONDICIONAL
7.4. DISTRIBUCION
33
1
12
3
P
1
18
5
36
1
6
1
9
1
4
19
36
3
12
14
45
79
180
1
5
2
15
1
3
1,0
Soluci
on:
Distribucion de X condicionada a Y = 2.
Llamando q(y) la funcion de probabilidad de la v.a. Y, entonces q(2) =
14
. Luego,
45
P (X=xi ,Y =2)
;
q(2)
0
= 0,
14/45
1/9
45
= 126
,
14/45
1/5
45
= 70 .
14/45
(xi |2) = P [X = xi |Y = 2] =
(x1 |2) = (1|2) =
(x2 |2) = (2|2) =
(x3 |2) = (3|2) =
(1,2)
q(2)
(2,2)
q(2)
(3,2)
q(2)
=
=
=
es decir,
En resumen:
x
1
(xi |2) 0
Note que
45
126
45
70
(3,1)
(3)
(3,2)
(3)
=
=
0
1/3
1/5
1/3
(3,yj )
;
(3)
= 0,
= 35 ,
es decir,
34
(3,3)
(3)
2/15
1/3
5
.
15
En resumen:
y
1
q(yj |3) 0
Note que
3
5
6
15
g(x|y) =
ahora,
Z
h(y) =
(x2 +
f (x, y) dx =
xy
y 1
) dx = + .
3
6 3
Luego,
x2 +
g(x|y) = y
+
6
xy
3
1
3
6x2 + 2xy
, si 0 x 1; 0 y 2.
y+2
b)
h(y|x) =
f (x, y)
g(x)
Ahora,
Z
g(x) =
Z
f (x, y) dy =
(x2 +
xy
2
) dy = 2x2 + x.
3
3
CONDICIONAL
7.4. DISTRIBUCION
35
Luego,
x2 + xy
3x + y
h(y|x) = 2 23 =
, si 0 y 2; 0 x 1.
6x + 2
2x + 3 x
Verificar
que tanto g(x|y)
Z
Z como h(y|x) son fdp. Recuerde, basta verificar que
g(x|y) dx = 1 y
h(y|x) dy = 1.
0 y 1.
fXY (x, y)
x+y
2(x + y)
= 1+2y =
; 0 x 1, 0 y 1.
fY (y)
1 + 2y
2
b)
Z
FX|Y (x|y) =
2(z + y)
dz
2y + 1
0
x
1 2
=
z + 2yz 0
2y + 1
x2 + 2xy
.
=
2y + 1
fX|Y (z|y) dz =
36
a) El valor de C,
b) FY |X ,
c) FXY ,
d) P (X + Y > ).
Soluci
on:
a)
Z
Z
Cxye
R2
Z
x+y
xye
x+y
dxdy = 1
Z
xye
dxdy = C
x+y
dxdy
xye e dxdy
0Z 0
Z
y
x
xe dx
ye dy
=C
0
0
= C 2 2
= C 4
1
C = 4.
=C
b)
fXY (x, y)
fY |X (x, y) =
=
fX (x)
x+y
1
xye
4
fX (x)
si x, y > 0
caso contrario.
CONDICIONAL
7.4. DISTRIBUCION
37
entonces,
Z
fX (x) =
fXY (x, y) dy
0
xy x+y
e dy
4
0
r
y
y
x
x
= lm 4 ye x (xe ) 2 e (xe )
r
0
x
2 0
4
e (xe )
=
x x
= 2e .
Luego,
fY |X (x, y) =
x y
xy
e
e
4
x
x
e
2
0
y
2
=
Z
si x, y > 0
caso contrario
si x, y > 0
caso contrario.
c) FXY (x, y) =
i. Si x 0 o y 0 FXY (x, y) = 0
ii. Si x > 0 y y > 0
Z x Z y
FXY (x, y) =
fuv (u, v) dudv
Z 0 Z 0
Z xZ y
=
fuv (u, v) dudv +
fuv (u, v) dudv
0
0
Z xZ y
=
fuv (u, v) dudv
Z0 x Z0 y
u
v
=
4 uve e dudv
0
0Z x
Z y
v
4
u
=
ue du
ve dv
0
0
u
u x
v
v y
= 4 ue 2 e 0 ve 2 e 0
x
= 4 (xe + 2 e 2 )(ye + 2 e 2 ).
38
donde,
P1 =
x
Z Z
x+y
4 xye dydx
0
x
Z
Z
y
x
ye dy dx
=
xe
x
0
Z
y
y
x
4
=
xe
ye e
dx
x
0
Z
h
i
x
2 x
x
4
+ e
( x)e
dx
=
xe
0
Z
h
i
x
x
x
4
=
xe ( x)e + 2 e dx
0
Z
= 4
( x)xe1 + x2 e1 dx
0
Z
2
4 1
= e
x x2 + x2 dx
0
Z
= 4 e1
2x2 x2 dx
0
x3
4 1
2 2
= e
x
3
0
4
= 4 e1 4
3
2
= e1
3
=
CONDICIONAL
7.4. DISTRIBUCION
39
P2 =
4 xye
x+y
dydx
Z
Z
y
x
4
xe dx
ye dy
=
0
h
i
y
y
x
x
= 4
lm (xe 2 e )|r
lm (e 2 e )|r0
r
2 1
2 1
= ( e + e )( )
= 4 (22 e1 )(2 )
= 2e1 .
Luego,
2
8
P (X + Y > ) = P1 + P2 = e1 + 2e1 = e1 .
3
3
Ejemplo 7.4.5. La v.a.b. (X, Y ) tiene fdp conjunta
(x+y)
e
si x > 0; y > 0
f (x, y) =
0
en otro caso.
Hallar:
a) Funcion de distribucion conjunta.
e) g(x|Y = 4)
f ) P (X < 1, Y < 2)
g) P (1 < X + Y < 3)
c) P (X < 2|Y = 3)
h) P (X < Y |X < 2Y )
d) h(y|X = 3)
Soluci
on:
La probabilidad se encuentra distribuida en el primer cuadrante
a) F (x, y) = 0 para x < 0, y < 0
Para x > 0, y > 0
Z xZ y
Z
(u+v)
F (x, y) =
e
dvdu =
0
x
u
Z
du
ev dv
0
x
= (1 e )(1 ey ).
40
Z
x > 0. Z
h(y) =
h(y|x) =
f (x, y) dy =
b) g(x) =
y > 0.
g(x|y) =
(x+y)
e(x+y) dx = ey
f (x, y) dx =
f (x,y)
h(y)
f (x,y)
h(y)
=
=
e(x+y)
ey
e(x+y)
ex
ex dx = ey , para
c) P (X < 2|Y = 5) =
ey dy = ex , para
dy = e
Z
g(x|5) dx =
ex dx = 1 e2
P (X < 1, Y < 2) =
2
y x
e e
0
Z
dydx =
2
y
Z
dy
ex dx
= (1 e2 )(1 e1 ).
Z Z
f (x, y) dxdy, donde
g) P (1 < X + Y < 3) =
R
1x
1
= 2e
1
3
4e .
UNIFORME
7.5. DISTRIBUCION
41
P (X < Y X < 2Y )
P (X < Y )
h) P (X < Y |X < 2Y ) =
=
P (X < 2Y )
P (X < 2Y )
Z Z
f (x, y) dxdy, donde R1 = {(x, y) D|x < y}
P (X < Y ) =
ZR1 Z
P (X < 2Y ) =
f (x, y) dxdy, donde R2 = {(x, y) D|x < 2y}.
R2
Z Z y
1
ex ey dxdy = y
Entonces, P (X < Y ) =
2
0
Z Z 2y 0
2
ex ey dxdy =
P (X < 2Y ) =
3
0
0
P (X < Y |X < 2Y ) =
7.5.
3
1/2
= .
2/3
4
Distribuci
on Uniforme
Una variable aleatoria continua bidimensional (X, Y ) esta distribuida uniformemente en una region R del plano euclidiano si
Constante Para (x, y) R
f (x, y) =
0
en otra parte
Z Z
Z Z
f (x, y) dydx = 1 y f (x, y) = k, entonces k
dydx = 1,
|
{z
}
Area
R
entonces k =
1
,
Area
R
donde Area
R > 0.
Ejemplo 7.5.1. Supongase que (X, Y ) es una v.a.c.b. distribuida uniformemente en la region R siguiente
a) Hallar f (x, y).
b) Encontrar las funciones de densidad marginal de X y Y.
Soluci
on:
a) f (x, y) =
1
;
Area
R
Area
R=
Z
0
(
f (x, y) =
1
(x x2 ) dx = . Luego,
6
1
1
6
= 6 si (x, y) R
0
en otra parte.
42
b) fdp marginal de X.
Z
f (x, y) dy =
6 dy = 6(x x2 ) si 0 x 1
x2
fdp marginal
Z de Y .
Z
h(y) =
f (x, y) dx =
7.6.
6 dx = 6( y y), si 0 y 1.
43
(xi ,yj )
,
q(yj )
entonces
q(yj )
1
12
1
18
5
36
1
6
1
9
1
4
19
36
3
12
14
45
79
180
(xi )
1
5
2
15
1
3
Soluci
on: Para probar que X y Y son independientes tenemos que probar
que (xi , yj ) = (xi ) q(yj ) para todo i, j.
Debemos por lo tanto comprobar si esta igualdad se cumple con cada uno de
los 9 puntos con probabilidad dada. Entonces,
(x1 , y1 ) = (1, 1) =
1
.
12
Ahora,
(x1 ) = (1) =
q(y1 ) = q(1) =
5
36
3
12
(x1 ) q(y1 ) =
5 3
5
=
36 12
144
44
63x
}.
2
45
46
Demostracion.
MZ (t) = E[etZ ] = E[et(X+Y ) ] = E[etX+tY ]
Z Z
etx+ty fXY (x, y)dxdy
=
ZR R
Z
tx
=
e fX (x)dx ety fY (y)dy
R
= MX (t)MY (t).
Ejemplo 7.6.3. Supongamos que (X, Y ) tiene fdp conjunta dada como sigue:
(x+y)
e
si x 0, y 0
f (x, y) =
0
en otra parte.
Seran X y Y estocasticamente independientes?
Soluci
on:
Z
Z
Z
x y
x
g(x) =
f (x, y) dy =
e e dy = e
ey dy = ex y
Z0
Z0
Z
x y
y
e e dx = e
ex dx = ey .
f (x, y) dx =
h(y) =
47
g(x) =
8xy dy = 4x(1 x2 ) si 0 x 1.
f (x, y) dy =
Z
Zx y
f (x, y) dx =
h(y) =
8xy dx = 4y 3 si 0 y 1.
Pero,
g(x) h(y) = 4x(1 x2 ) 4y 3 6= f (x, y).
Observaci
on 7.6.2. Si se conoce la fdp conjunta es posible determinar en
forma u
nica las fdp marginales g(x) y h(y), pero el conocimiento de las fdp
marginales no determinan la fdp conjunta, a menos que se sepa que la variable
aleatoria X y Y son independientes, en cuyo caso g(x) h(y) = f (x, y).
Teorema 7.6.4. Sean X, Y variables aleatorias con funcion de densidad
conjunta f (x, y) y region de distribucion conjunta de probabilidad R. Entonces, X y Y son variables aleatorias independientes si y solo si R es un espacio
producto y f (x, y) = m(x) (y), donde m(x) es una funcion no negativa de
x solamente y (y) es una funcion no negativa de y solamente.
Demostracion. Sean X y Y independientes, entonces R es un espacio
producto y ademas f (x, y) = g(x) h(y) donde g(x) 0 y h(y) 0. Escogiendo m(x) = g(x) y (y) = h(y) tenemos que f (x, y) = m(x) (y).
Supongamos que R es un espacio producto y f (x, y) = m(x) (y)
(m(x) y (y) con las condiciones dadas), entonces
Z
g(x) =
m(x) (y) dy
Z
= m(x)
(y) dy
f (x, y) dy =
= m(x) k1 ,
48
donde k1 =
m(x) (y) dx
Z
m(x) dx
= (y)
f (x, y) dx =
h(y) =
= (y) k2 ,
Z
donde k2 =
Luego, g(x) h(y) = k1 k2 m(x) (y) = k1 k2 f (x, y). Ahora basta probar que
k1 k2 = 1.
En efecto:
Z
f (x, y) dxdy =
1=
Z
pero m(x) =
1
g(x)
k1
y (y) =
1
h(y),
k2
entonces
Z
Z
1
1
1=
g(x) dx
h(y) dy
k1
k2
1
1
=
1
1
k1
k2
1
=
k1 k2
k1 k2 = 1,
49
o tambien, si
FX1 X2 ...Xm (x1 , x2 , . . . , xm ) = FX1 (x1 ) FX2 (x2 ) FXm (xm ).
Proposici
on 7.6.1. Sean X1 , X2 , ..., Xk v.a.i. Entonces,
i) La coleccion {Xi1 , ..., Xij } {X1 , X2 , ..., Xk } tambien son independientes.
ii) Cualesquiera funciones f1 (x1 ), ..., fk (xk ) tambien son independientes.
iii) Cualesquiera funciones f (x1 , x2 , ..., xj ) y g(xj+1 , xj+2 , ..., xk ) de subconjuntos disjuntos tambien son independientes.
Observaci
on 7.6.3. Note que para X y Y v.a.i.
fX|Y (x|y) =
Demostracion.
fXY (x, y)
fX (x)fY (y)
=
= fX (x).
fY (y)
fY (y)
k
Y
FXj (xj ).
j=1
j
Y
Fxil (xil ),
l=1
50
7.7.
Momentos
Sea (X1 , X2 , ..., Xk )t un vector aleatorio con fdp conjunta f. Sea g(X1 , X2 , ..., Xk )
una funcion de valor real definida sobre Rk y asumamos que g tambien es
una v.a.
Definici
on 7.7.1.
1. Si (X1 , X2 , ..., Xk ) es de tipo discreto donde
X
X
, ...,
|g(x1 , ..., xk )||P (X1 = x1 , X2 = x2 , ..., Xk = xk )| < ,
x1
xk
xk
Propiedades 7.7.1.
1) Sean a y b constantes reales y g(X1 , X2 , ..., Xk )
una funcion con esperanza finita. Entonces,
E[ag(X1 , X2 , ..., Xk ) + b] = aE[g(X1 , X2 , ..., Xk )] + b.
2) Sean g1 , g2 , ..., gn funciones de valor real de X1 , X2 , ..., Xk con esperanza
finita. Entonces,
E[g1 (X1 , X2 , ..., Xk ) + g2 (X1 , X2 , ..., Xk ) + ... + gn (X1 , X2 , ..., Xk )] =
E[g1 (X1 , X2 , ..., Xk )]+E[g2 (X1 , X2 , ..., Xk )]+...+E[gn (X1 , X2 , ..., Xk )].
3) Sean X1 , X2 , ..., Xk variables aleatorias independientes y g1 , g2 , ..., gk
funciones de valor real de X1 , X2 , ..., Xk respectivamente, cada una con
esperanza finita. Entonces,
" k
#
k
Y
Y
E
gj (Xj ) =
E[gj (Xj )]
j=1
j=1
7.7. MOMENTOS
51
Demostracion.
[|g(xj )f (xj )]
dxj
Z
|g(x1 )|f (x1 ) dx1
k
YZ
k
Y
j=1
=
=
j=1
Z
|g(x2 )|f (x2 ) dx2
j=1
Luego,
Z
j=1
j=1
[g(xj )f (xj )]
k
YZ
k
Y
k
Y
dxj
j=1
k
Y
dxj
j=1
j=1
=
=
k
Y
" k
Y
E[g(Xj )].
j=1
Observaci
on 7.7.1. El reciproco de 3) no siempre es cierto
Ejemplo 7.7.1. Sea X el tiempo que una persona permanece en un banco
y Y el tiempo haciendo fila para ser atendido, entonces X Y es el tiempo
52
que dura la atencion por parte del funcionario encargado. Si la fdp conjunta
del vector (X, Y ) es:
y
e
si 0 y x <
fXY (x, y) =
0
caso contrario,
el tiempo promedio que dura la atencion es:
Z Z x
E[(X Y )] =
(x y)2 ex dydx
0
Z 0 Z x
Z Z x
2
x
x
=
xe
dydx
ye
dydx
0
0
0
0
Z
Z 2
x x
2
2 x
e
dx
=
xe
dx
2
0
0
Z
2 2 x
=
xe
dx
2 0
Z
2 31 x
x e
dx
=
2 0
Z
2 (3) 3 31 x
=
x e
dx
2 3 0 (3)
2 (3)
=
2 3
(3)
=
2
2(2)
=
2
1
= .
r2
para 0 r 3.
9
7.8. COVARIANZA Y CORRELACION
53
El voltaje esperado
La probabilidad de que el voltaje este por encima de 2 voltios.
Soluci
on:
La fdp conjunta es:
fIR (i, r) = hI (i)gR (r) =
2ir2
para 0 i 1 , 0 r 3,
9
entonces,
Z
E(V ) = E(IR) = E(I)E(R) = 2
0
Z 3
1
2
idi
r dr = 1,0
9 0
P (V > 2) = 1 P (V 2)
Z
Z
=1
fIR (i, r) didr
ir2
Z
Z
2ir2
didr
=1
9
ir2
Para resolver la doble integral, del grafico relacionado se tiene que
"Z Z
#
Z 3 Z 2
2
1
r 2
2 2
P (V > 2) = 1
ir didr +
ir2 didr
9
9
r=0 i=0
r=2 i=0
2 4
=1
+2
9 3
20
=1
27
7
= .
27
7.8.
Covarianza y Correlaci
on
Definici
on 7.8.1. Si E[(X X )(Y Y )] existen, es llamada la covarianza
entre X y Y , donde X = E(X) y Y = E(Y ).
54
i) Note que
7.8. COVARIANZA Y CORRELACION
55
56
1.
fY (y) =
2
1 x+y
e y dx
y
0
Z
1 xy yy2
=
e e dx
y 0
Z
1 xy y
=
e e dx
y 0
Z
1 y xy
e dx
= e
y
0
x
1
= ey [ye y ]|
0
y
=ey .
1 x+y2
y e y dxdy
y
Z0 0 Z
x
y
y
=
e
e dx dy
0
0
Z
i
x
1 y h
=
e
ye y |2y
0 dy
y
0
Z
1 y
e
ye2 + y dy
=
y
Z0
x
=
ey (ye y |
0 dy
Z0
=
yey dy
0
Z 2
1 21 y
y e dy
=(2)
(2)
0
=(2) = 1.
E(Y ) =
7.8. COVARIANZA Y CORRELACION
57
1 x+y2
y 2 e y dxdy
y
Z0 0 Z
x
y
e y dx dy
ye
=
0
0
Z
x
yey (ye y |
=
0 dy
0
Z
y 2 ey dy
=
0
Z 3
1 31 y
=(3)
y e dy
(3)
0
=(3) = 2.
E(Y ) =
As, V (Y ) = E(Y 2 ) E 2 (Y ) = 2 1 = 1.
2.
fX|Y (x|y) =
fXY (x, y)
fY (y)
x+y 2
1/ye y
=
ey
x
1 y y
e
e
y
=
ey
1 x
= e y .
y
Z
E(X|Y = y) =
xfX|Y (x|y)dx
Z
1 x
x e y dx
y
0
Z
1 yx
xe
=
y 0
Z
1 (2)
(1/y)2 21 y x
=
x e
dx
y (1/y)2 0
(2)
1 (2)
=
.
y (1/y)2
58
3.
1 x+y2
xy e y dxdy
y
Z0 0 Z
y1 x
y
=
e
xe
dx dy
0
0
Z
Z
(2)
(1/y)2 21 y x
y
e
x e
=
dx dy
(1/y)2 0
(2)
Z0
ey y 2 dy
=
0
Z 3
1 31 y
=(3)
y e dy
(3)
0
=(3) = 2.
E(XY ) =
E(X) =
Z0
=
Z0
=
Z0
=
Z0
1 x+y2
x e y dxdy
y
0
Z
1 y
x
y
e
xe dx dy
y
0
Z
(1/y)2 21 y x
1 y (2)
e
x e
dx dy
y
(1/y)2 0
(2)
1 y 2
e y dy
y
yey dy
Z 2
1 21 y
=(2)
y e dy
(2)
0
=(2) = 1.
=
7.8. COVARIANZA Y CORRELACION
59
4.
Z
2y
2
1 x+y
e y dxdy
y
Z0 0 Z 2y
1 y
x
e y dx dy
e
=
y
0
0
Z
i
x
1 y h
=
e
ye y |2y
0 dy
y
0
Z
1 y
ye2 + y dy
=
e
y
Z0
Z
y
2
=
e e
ey dy
P (X < 2Y ) =
ey |
0
2
e (ey )|
=
0
=1 e .
Teorema 7.8.1 (Desigualdad de Cauchy). Sean X y Y v.a con E(X 2 ) <
y E(Y 2 ) < , entonces |E(XY )|2 E(X 2 )E(Y 2 ). Se tiene la igualdad, si
y solamente si existen constantes reales a y b no simultaneamente iguales a
cero, tales que P (aX + bY = 0) = 1.
Demostracion. Sea = E(Y 2 ) y = E(XY ), 0. El resultado para
= 0 es inmediato, entonces se considera u
nicamente > 0. Se tiene que:
0 E[(X + Y )2 ] = E[2 X 2 + 2XY + 2 Y 2 ]
= 2 E(X 2 ) + 2E(XY ) + 2 E(Y 2 )
= 2 E(X 2 ) + 2E(XY ) + 2
= [E(X 2 ) + 2E(XY ) + 2 ]
= [E(Y 2 )E(X 2 ) 2E(XY )E(XY ) + E(XY )E(XY )]
= [E(X 2 )E(Y 2 ) E(XY )E(XY )]
= [E(X 2 )E(Y 2 ) E 2 (XY )].
Entonces, como > 0, se sigue que E(X 2 )E(Y 2 ) E 2 (XY ) 0, entonces
|E(XY )|2 E(X 2 )E(Y 2 ).
Veamos que |E(XY )|2 = E(X 2 )E(Y 2 ) si y solamente si existen constantes
reales a y b no simultaneamente iguales a cero, tales que P (aX +bY = 0) = 1.
Si [E(XY )]2 = E(X 2 )E(Y 2 ), entonces E(X + Y )2 = 0. Por tanto
60
1
V ar(X)V ar(Y )
Cov(X,
Y
)
p
1.
V ar(X)V ar(Y )
Teorema 7.8.2. Sean X y Y variables aleatorias reales con varianza finita.
Entonces,
V ar(X + Y ) <
y se tiene que
V ar(X + Y ) = V ar(X) + V ar(Y ) 2cov(X, Y ).
7.8. COVARIANZA Y CORRELACION
61
Observaci
on 7.8.3. En general:
!
m
m
X
X
XX
V ar
Xj =
V ar(Xj ) +
cov(Xj , Xj 0 ).
j=1
j=1
j0
Definici
on 7.8.2. Sean X y Y variables aleatorias reales con V ar(X), V ar(Y ) <
. El coeficiente de correlacion lineal entre X y Y se define por:
(x, y) = XY (X, Y ) = p
cov(X, Y )
V ar(X)V ar(Y )
1 |(X, Y )| 1 1 (X, Y ) 1.
V ar(X)V ar(Y )
62
E(X ) =
Z0
=
Z0
=
Z0
1 x+y2
x2 e y dxdy
y
0
Z
1 y
2 x
e
x e y dx dy
y
0
Z
(1/y)3 31 y1 x
1 y (3)
e
x e
dx dy
y
(1/y)3 0
(3)
y 2 ey dy
0
Z 3
1 31 y
=(3)
y e dy
(3)
0
=(3) = 2.
=
As,
V ar(X) =E(X 2 ) E 2 (X)
=2 1
=1.
Entonces,
Cov(X, Y )
(X, Y ) = p
V ar(X)V ar(Y )
1
=p
(1)(1)
=1.
7.9.
63
Esperanza Condicional
Definici
on 7.9.1. Sea el v.a.b. discreto (X, Y ). El valor esperado de X dado
Y = y se define por:
X
E(X|Y = y) =
xfX|Y (x|y)
yfY |X (y|x)
P (X = x)P (Y = n x)
P (X = x, Y = n x)
=
P (X + Y = n)
P (X + Y = n)
64
Ahora,
P (X + Y = n) =
n
X
P (X = l, Y = n l) =
l=0
n
X
P (X = l)P (Y = n l)
l=0
n
X
e1 l1 e2 2nl
=
l!
(n l)!
l=0
n
1 X
n!
l1 nl
2
n! l=0 l!(n l)!
n
X
n l nl
(1 +2 ) 1
=e
n! l=0 l 1 2
= e(1 +2 )
= e(1 +2 )
(1 + 2 )n
.
n!
As,
x
fX|X+Y =n (x|X + Y = n) =
nx
2
e1 x!1 e2 (nx)!
n
2)
e(1 +2 ) (1 +
n!
n!
x1 nx
2
=
x!(n x)! (1 + 2 )n
x
nx
n
1
2
=
x
1 + 2
1 + 2
n x
=
p (1 p)nx ,
x
1
2
y 1 p = 1 1+
= 1+
. Entonces, se concluye que
2
2
1
1
X|X + Y = n Bin n,
E(X|X + Y = n) = n
.
1 + 2
1 + 2
donde p =
1
1 +2
x+y
1
+y
2
si 0 < x < 1
caso contrario.
65
As,
1
Z
E(X|Y = y) =
0
Z 1
1
(x2 + xy) dx
1
+
y
0
2
2
1 3 1 2
=
x + x y |10
2y + 1 3
2
2
1 1
=
+ y
2y + 1 3 2
1 3y + 2
.
=
3 2y + 1
x+y
x1
dx =
+y
2
1
y
si 0 < x < y
0
caso contrario.
Z
E(X|Y = y) =
0
1
1 x2 y y
x dx =
| = .
y
y 2 0 2
Definici
on 7.9.3. Sean X y Y v.a. reales y h una funcion real tal que h(X)
es una v.a. se define:
X
h(x)P (X = x|Y = y) si X, Y son v.a.d.
x
Z
E[h(X)|Y = y] =
h(x)fX|Y (x|y) dx
si X, Y son v.a.c.
R
66
Entonces,
1
fY (y) = , si 0 < y < 2
2
y
fX|Y (x, y) = yexy , si x > 0
X
X
2
e 2 yexy dx
E[h(X)|Y ] = E[e |Y ] =
0
e( 2 y)x dx
=y
0
1 ( 1 y)x
1
e2
|0 si y >
2
y
2
y
(0 1)
= 1
y
2
y
2y
=
.
1 =
2y 1
y2
=y1
En particular
2(1)
= 2.
2(1) 1
E[h(X)|Y = 1] =
XX
h(x)
P (X = x; Y = y)
h(x)P (X = x)
= E[h(X)].
67
= E[h(X)].
Observaci
on 7.9.1. Si (, =, P ) es un espacio de probabilidad y si A =
es fijo, entonces:
P (A) = E(IA (X)) = EY [EX [IA (X)|Y ]].
Ejemplo 7.9.5. Sean X y Y v.a.i. con densidades fX (x) y fY (y) respectivamente. Calcular P (X < Y ).
Sea A = {(X, Y )|X < Y }, entonces:
P (A) = E[IA ] = EY [EX [IA |Y ]]
Z
=
EX [IA |Y ]fy (y) dy
ZR
=
P (A|Y )fY (y) dy
R
Z
=
P (X < Y )fY (y) dy
R
Z
=
FX (y)fY (y) dy
R
68
Z :=
Y
X
Xi
i=1
donde las variables aleatorias X1 , X2 , son independientes entre si e independientes de Y . Hallar E(Z) bajo los supuestos que
1. Las variables aleatorias X1 , X2 , son identicamente distribuidas con
distribucion Bernoulli de parametro p (0, 1).
2. Las variables aleatorias X1 , X2 , son identicamente distribuidas con
distribucion Uniforme en el intervalo (0,b).
Soluci
on:
1.
"
E
Y
X
" "
Xi = E E
i=1
Y
X
##
Xi |Y
"
=
i=1
Y
X
#
Xi |Y = yj P (Y = yj ).
i=1
Y
X
#
Xi |Y = yj
i=1
= E
yj
X
#
Xi
i=1
i=1
mente
" Y
X
"
yj
X
i=1
E(Xi ) =
yj
X
p = pyj , final-
i=1
#
Xi =
X
j
pyj P (Y = yj ) = p
X
j
As,
E(Z) = p.
yj P (Y = yj ) = pE(Y ) = p.
69
2.
"
E
Y
X
"
"
Xi = E Y E X
i=1
"
= EY EX
Y
X
" i=1
yj
X
##
Xi |Y = yj
##
Xi
i=1
"
= EY
yj
X
#
EX [Xi ]
#
" i=1
yj
X
b
= EY
2
i=1
Xb
yj P [Y = yj ]
=
2
j
b
= EY (Y )
2
b
= .
2
As,
b
.
2
Entonces, si la v.a. representa el n
umero de personas por hora que
llegan a una central telefonica, suponga P
que Y P o(20) y Z es el dinero
Y
recaudado cada hora, entonces Z :=
i=1 Xi donde Xi repreenta el
dinero gastado por el i-esimo individuo que entra a la central telefonica.
Luego, si Xi U (0, 5000), entonces el recaudo esperado cada hora es
E(Z) =
E(Z) =
20 5000
= 50000.
2
70
i)
E(X|Y ) =
X
j:xj 0
xj P (xj |y) +
xj P (xj |y)
j:xj <0
xj P (xj |y) 0.
j:xj 0
ii) E(1|Y ) =
1P (X = x|Y = y) = 1.
iii) E(X|Y ) =
xP (X = x|Y = y) =
xP (X = x) = E(X).
iv)
E[Xh(y)|Y ] =
xh(y)P (X = x|Y = y)
= h(y)
xP (X = x|Y = y)
= h(y)E(X|Y ).
71
v)
E(X + Y |Z) =
XX
x
(x + y)P (X = x, Y = y|Z = z)
XX
XX
xP (X = x, Y = y|Z = z)
yP (X = x, Y = y|Z = z)
X X
=
x
P (X = x, Y = y|Z = z)
x
X X
P (X = x, Y = y|Z = z)
y
+
x
P (X = x|Z = z) +
P (Y = y|Z = z)
i)
Z
Z
E(X|Y ) =
xfX|Y (x|y) dx
xfX|Y (x|y) dx +
R
+
ZR
xfX|Y (x|y) dx
R+
0.
Z
ii) E(1|Y ) =
1fX|Y (x|y) dx = 1.
R
Z
iii) E(X|Y ) =
Z
xfX|Y (x|y) dx =
72
iv)
Z
E(Xh(y)|Y ) =
xh(y)fX|Y (x|y) dx
Z
= h(y) xfX|Y (x|y) dx
R
= h(y)E(X|Y ).
v)
Z Z
E(X + Y |Z) =
73
XX
y
xP (X = x|Y = y)P (Y = y)
X X
=
x
P (X = x, Y = y)
x
xP (X = x)
= E(X).
Caso continuo para X y Y v.a.c.
Z
EX (X|Y )fY (y) dy
EY [EX (X|Y )] =
R
Z Z
xfX|Y (x|y) dx fY (y) dy
=
R
R
Z Z
fX|Y (x|y)fY (y) dy dx
x
=
R
R
Z Z
fXY (x, y) dy dx
=
x
R
ZR
=
xfX (x) dx
R
= E(X).
74
yP (y|X = x) + E 2 (Y |X)
y
2
P (y|X = x)
y
2
R
2
75
pero,
E[(Y E(Y |X))2 |X] = V (Y |X),
tambien,
E[E[(E(Y |X) E(Y ))2 |X]] = E[E[(E(Y |X) E[E(Y |X)])2 |X]]
= E[V (E(Y |X))]
y por u
ltimo,
E[(Y E(Y |X)))(E(Y |X) E(Y )|X)]
= (E(Y |X) E(Y ))E[(Y E(Y |X))|X]
= (E(Y |X) E(Y ))(E(Y |X) E(E(Y |X)|X))
= (E(Y |X) E(Y ))(E(Y |X) E(Y |X)) = 0
por tanto,
V (Y ) = E[V (Y |X)] + V [E(Y |X)] + 0 = E[V (Y |X)] + V [E(Y |X)].
Otra demostraci
on m
as detallada para el teorema anterior sigue a
continuaci
on.
76
"
#
X
2
2
= E E(Y |X) E E (Y |X) + V ar
yP (Y = y|X = x)
y
(
)2
X
X
=E
y 2 P (Y = y|X = x) E
yP (Y = y|X = x)
"
(
)2
"
#
X
X
2
+E
yP (Y = y|X = x) E
yP (Y = y|X = x)
y
(
X X
x
y 2 P (Y = y|X = x)
XX
x
P (X = x)
(
(
X X
x
)2
)
y 2 P (Y = y|X = x)
P (X = x)
y 2 P (X = x|Y = y)
(
XX
x
)2
y 2 P (X = x|Y = y)
)2
(
X X
X X
y2
P (X = x|Y = y)
y
P (X = x|Y = y)
=
y
y 2 P (Y = y)
= E(Y 2 ) E 2 (Y )
= V ar(Y ).
Caso continuo
(
X
y
)2
yP (Y = y)
77
y 2 fY |X (y|x) dy
=E
yfY |X (y|x) dy
)
Z
yfY |X (y|x) dy
(Z
2 )
yfY |X (y|x) dy
+E
y fY |X (y|x) dy
=E
yfY |X (y|x) dy
Z
Z
yfY |X (y|x) dy
Z
Z
Z
Z
y fY |X (y|x) dy fX (x) dx
Z
2
yfY |X (y|x)fX (x) dydx
Z
=
y
2
Z
Z
fXY (x, y) dx dy
y 2 fY (y) dy
Z
2
Z
2
fXY (x, y) dx dy
yfY (y) dy
= E(Y 2 ) E 2 (Y )
= V ar(Y ).
2
78
E(Y 2 |X)P (X = x)
E 2 (Y |X)P (X = x)
x
2
E(Y |X)P (X = x)
E 2 (Y |X)P (X = x)
Caso continuo
R
2
79
x
2
E(Y |X)P (X = x)
+ E (Y )
P (X = x)
[E(Y |X)]2 P (X = x) E 2 (Y )
80
Caso continuo
Z
V [E(Y |X)] =
ZR
=
ZR
a) E(X|Y = y).
b) E(X 2 |Y = y).
c) V ar(X|Y = y).
Soluci
on:
81
a)
E(X|Y = y) =
f (x, y)
. Entonces,
fY (y)
Z
Z
fY (y) =
f (x, y) dx =
8xy dx
x dx
= 8y
y
= 4y(1 y 2 ).
As, fX|Y (x|y) =
8xy
2x
=
con 0 < y < 1, y x < 1.
2
4y(1 y )
1 y2
Luego,
Z
E(X|Y = y) =
y
x2
dx
2
y 1y
Z 1
2
=
x2 dx
2
1y y
2 (1 y 3 )
=
.
3 (1 y 2 )
2x
dx = 2
x
1 y2
b)
x2 fX|Y (x|y) dx
E(X |Y = y) =
x2
=
y
2x
dx
1 y2
x3
dx
2
y 1y
Z 1
2
=
x3 dx
1 y2 y
1 (1 y 4 )
=
2 (1 y 2 )
1
= (1 + y 2 ).
2
Z
=2
82
c)
X|Y
1
2
3
1
12
1
6
4
12
1
12
0
1
12
3
0
1
12
1
6
E(X) =
xP (X = x) = P (X = 1) + 2P (X = 2) + 3P (X = 3)
5
4
3
+2
+3
12
12
12
3 + 1012
=
12
25
= .
12
=
83
)
(
X P (X = x, Y = y)
E(E(X|Y )) = E
x
P (Y = y)
x
P (X = 1, Y = y)
P (X = 2, Y = y)
P (X = 3, Y = y)
=E
+2
+3
P (Y = y)
P (Y = y)
P (Y = y)
P (X = 1, Y = y)
P (X = 2, Y = y)
=E
+ 2E
+
P (Y = y)
P (Y = y)
P (X = 3, Y = y)
3E
P (Y = y)
X P (X = 1, Y = y)
X P (X = 2, Y = y)
=
P (Y = y) + 2
P (Y = y)
P
(Y
=
y)
P
(Y
=
y)
y
y
+3
X P (X = 3, Y = y)
P (Y = y).
P (Y = y)
y
P (X = 1, Y = y) + 2
P (X = 2, Y = y) + 3
P (X = 3, Y = y)
= P (X = 1, Y = 1) + P (X = 1, Y = 2) + P (X = 1, Y = 3)
+ 2P (X = 2, Y = 1) + 2P (X = 2, Y = 2) + 2P (X = 2, Y = 3)
+ 3P (X = 3, Y = 1) + 3P (X = 3, Y = 2) + 3P (X = 3, Y = 3)
1
1
4
1
1
1
1
=
+ + 0 + 2(0) + 2
+2
+3
+3
+3
12 6
12
12
12
12
6
25
=
= E(X).
12
Ejemplo 7.9.9. Suponga que X es una variable aleatoria discreta con funcion de densidad dada por fX (x) = x3 , x = 1, 2 y que Y es una variable
x
aleatoria tal que fY |X (y|x) = xy 12 para y = 0, , x y x = 1, 2.
Hallar
a) la distribucion conjunta de X y Y .
b) E(X|Y ).
Soluci
on:
a) Como fY |X (y|x) =
fXY (x,y)
fX (x)
84
1
3
1
3
1
3
2
3
2
3
2
3
1
2
1
2
=
=
1
6
1
6
0=0
1
4
2
4
1
4
=
=
=
1
6
2
6
1
6
1
6
1
6
1
6
2
6
2
0
1
6
X P (X = x, Y = y)
x
P (Y = y)
x
P (X = 1, Y = y)
P (X = 2, Y = y)
+2
.
P (Y = y)
P (Y = y)
Entonces,
E(X|Y = 0) =
P (X=1,Y =0)
P (Y =0)
=0)
+ 2 P (X=2,Y
=
P (Y =0)
1
6
2
6
+2
1
6
2
6
1
2
E(X|Y = 1) =
P (X=1,Y =1)
P (Y =1)
=1)
+ 2 P (X=2,Y
=
P (Y =1)
1
6
3
6
+2
1
6
3
6
14
33
E(X|Y = 2) =
P (X=1,Y =2)
P (Y =2)
=2)
+ 2 P (X=2,Y
=
P (Y =2)
+2
1
6
1
6
= 2.
0
1
6
+1=
=
3
2
5
3
85
Note que,
1 = E(Y |X = 0) =
X P (X = 0, Y = y) X P (X = 0, Y = y)
=
y
.
y
P (X = 0)
1p
y
y
Entonces,
X
yP (X = 0, Y = y) = 1 p
y
Ahora,
2 = E(Y |X = 1) =
X P (X = 1, Y = y) X P (X = 1, Y = y)
y
=
y
P
(X
=
1)
p
y
y
Entonces,
X
yP (X = 1, Y = y) = 2p.
y
Por lo que
E(Y ) =
yP (Y = y) =
yP (X = 0, Y = y) +
yP (X = 1, Y = y)
= 1 p + 2p
= 1 p.
Ejemplo 7.9.11. Suponga que la funcion de densidad de probabilidad conjunta de la variable aleatoria X e Y esta dada por
f (x, y) =
Calcular:
a) P (X > 2|Y < 4).
b) E(X|Y = y).
c) E(Y |X = x).
Soluci
on
86
a)
R R 4 y
e dxdy
P (X > 2, Y < 4)
P (X > 2|Y < 4) =
= R2 R24
P (Y < 4)
ey dxdy
0
R 0 y
2
(e dy
= R2 y
4 0 e dy
2e 2
=
4e0
1 2
= e .
2
Z
Z y
b) E(X|Y ) =
xfX|Y (x|y) dx =
xfX|Y (x|y) dx.
Z
0
Z
y
y
ey dx = yey , entonces
f (x, y) dx =
Ahora, fY (y) =
0
ey
1
= , si 0 < x < y.
y
ye
y
Z y
1
y
x
As, E(X|Y ) =
dx = .
y
2
0
Z
Z
c) E(Y |X) =
yfY |X (y|x) dy =
yfY |X (y|x) dy
fX|Y =
Note que,Z
fX (x) =
Luego,
ey dy = ex , entonces fY |X =
Z
E(Y |X) =
xy
ye
x
dy = e
ey
= exy .
ex
Z
yey dy
= ex [xe x + e x]
= (x + 1).
Covarianza Condicional
Definici
on 7.9.4. Sean X, Y y Z variables aleatorias. La covarianza condicional de X y Y dado Z se define por:
cov(X, Y |Z) = E[(X E(X|Z))(Y E(Y |Z))|Z].
87
(7.1)
Ahora,
cov(E(X|Z), E(Y |Z)) = E(E(X|Z)E(Y |Z)) E(E(X|Z))E(E(Y |Z))
= E(E(X|Z)E(Y |Z)) E(X)E(Y ).
(7.2)
Al sumar las expresiones en (7,1) y (7,2) se obtiene
E[cov(X, Y )|Z] + cov(E(X|Z), E(Y |Z)) = E(XY ) E(E(X|Z)E(Y |Z))+
E(E(X|Z)E(Y |Z)) E(X)E(Y )
= cov(X, Y ).
88
7.10.
Distribuci
on del Mnimo y del M
aximo
y
FYm =
m
Y
FXi (z).
i=1
Demostracion.
i)
m
Y
[1 FXi (z)].
i=1
7.10. DISTRIBUCION
89
ii)
FYm (z) = P (Ym z) = P (max{X1 , X2 , ..., Xm } z)
= P (X1 z, X2 z, ..., Xm z)
= P (X1 z)P (X2 z)...P (Xm z)
m
Y
=
FXi (z).
i=1
fX (x) =
0
caso contrario
con fda
FX (x) = 1 e
para
x > 0.
n
y1 Exp
E(Y1 ) = .
n
90
y
n y
= e (1 e )n1 ; y > 0.
Z
y
n y
E(Yn ) =
y e (1 e )n1 dy
0
Z 1
= n
ln(1 u)un1 du.
7.11.
Extendemos ahora la transformacion de v.a. unidimensionales al caso de vectores aleatorios, donde nuevamente el objetivo es, a partir del vector aleatorio
g1 (X) g1 (X)
1 (X)
gx
x1
x2
n
..
.. 6= 0,
..
Jg (X) = det ...
.
.
.
gn (X)
x1
gn (X)
x2
gn (X)
xn
1
Jg
(g 1 (y))
Teorema 7.11.1. Sea X = (X1 , X2 , ..., Xn ) un v.a.c. con fdp conjunta fX (x).
Sea Y = g(X) = (g1 (X), g2 (X), ..., gn (X)), es decir, Yi = gi (X) para todo
i = 1, 2, ..., n donde g : U V es una funcion inyectiva. Suponga que
para todo i = 1, 2, ..., n, gi (X) tiene derivadas parciales continuas y ademas
que gi1 (Y) existe y tambien es continua de tal forma que para todo y =
(y1 , y2 , ..., yn ) V se tiene que Jg1 (y) 6= 0. Entonces,
fY (y) = fX (g 1 (y))|Jg1 (y)|IV (y),
donde V = g(U ) e IV es la funcion indicadora del conjunto V .
Ejemplo 7.11.1. Consideremos el vector aleatorio X con densidad conjunta
fX1 ,X2 (x1 , x2 ) = I(0,1) (x1 )I(0,1) (x2 ) y las transformaciones Y1 = X1 + X2 ,
Y2 = X1 X2 . Encontrar fY1 Y2 (y1 , y2 ).
Soluci
on:
g : R2 R2
(X1 , X2 ) (X1 + X2 , X1 X2 ).
Entonces,
y = (y1 , y2 ) = g(x1 , x2 ) = (g1 (x1 , x2 ), g2 (x1 , x2 )) = (x1 + x2 , x1 x2 ).
92
y1 +y2
,
2
tambien
g 1 : R2 R2
es tal que
1
(y1 , y2 ) g (y1 , y2 ) =
=
y1 + y2 y1 y2
,
2
2
.
As,
Jg1 (y) = det
= det
1
2
1
2
1
2
21
1
= .
2
y1 + y2
< 1 0 < y1 + y2 < 2
2
y1 y2
< 1 0 < y1 y2 < 2
2
entonces la nueva region de integracion queda definida por:
0 < X2 < 1 0 <
X1
X2
x1
x2
y y2 = g2 (x1 , x2 ) = x1 x2
y1 y2 = x21 y
x1 =
g11 (y1 , y2 )
= (y1 y2 )
1
2
y x2 =
y2
= x22
y1
g21 (y1 , y2 )
y22
y12
= det
2y12
2y22
y2
y1
12
. Entonces,
1
y22
1
2y12
1
1
2y12 y22
1
1 1
+
=
4 y1 y1
1
=
.
2y1
1
2
y2
y1
12
1
2y1 IV (y1 , y2 )
2y2
IV (y1 , y2 ).
y1
1
2
y2
y1
y2
y1
12
12
<1
)
<1 .
Observaci
on 7.11.1. En los casos que la derivada de las funciones inversas
resulten complicadas, se tiene la opcion de calcular el jacobiano de la funcion
g y luego usar la relacion del jacobiano de g 1 y el jacobiano de g. As, para
94
el ejemplo anterior,
g11 (y1 , y2 )
= (y1 y2 )
1
x2
Jg (x1 , x2 ) = det
x2
1
2
xx12
2
x1
g21 (y1 , y2 )
=
12
y2
y1
. Entonces,
2x1
x1 x1
+
=
.
x2 x2
x2
Luego,
1
(y1 y2 ) 2
Jg (g (y1 , y2 )) = 2 = 2y1 Jg1 (y) =
y2
y1
Jg
(g 1 (y))
1
.
2y1
x1
x2
Jg1 (y) = det
g 1 (y1 , y2 ) =
y2
y2 +1
1
y2 +1
y1
(y2 +1)2
1
(y2y+1)
2
y1 y2
, y1
y2 +1 y2 +1
. Luego,
y1
.
=
(y2 + 1)2
y1
y1 y2
y1
fY1 Y2 (y1 , y2 ) =
fX
fX2
IV (y1 , y2 )
(y2 + 1)2 1 y2 + 1
y2 + 1
1 1
y y2
1
y1 y2
y1
y 1+1
2
e
=
(y2 + 1)2 (1 ) y2 + 1
2 1
y y2
2
y1 y2
y 1+1
2
e
IV (y1 , y2 )
(2 ) y2 + 1
n
donde V = (y1 , y2 )|0 <
y1 y2
y2 +1
< , 0 <
y1
y2 +1
o
< .
fY (y1 , y2 , ..., yn ) =
...
96
x2 = ge21 (y1 , y2 ) = y2 .
Entonces,
Jg1 (e
y) = det
1 1
0 1
=1
y) = fX ((e
g1 (X1 , X2 ), ge2 (X1 , X2 )))|Jge1 (e
fYe (e
y)|IV (y1 , y2 )
= fX (Y1 Y2 , Y2 ) 1 IV (y1 , y2 )
Observaci
on 7.11.3. Si en el ejercicio anterior X1 y X2 son v.a.i. entonces,
Z
fX1 (y1 y2 )fX2 (y2 ) dy2
fY =
R
Z
fX1 (y1 y2 )fX2 (y2 ) dy2
fY (y) =
R
97
Entonces,
fZ (z) = (fX fY )(v)
Z
fX (z v)fY (v)IV (v) dv
=
Z Z
e(zv) ev dv
=
0
Z z
2 z
dv
= e
0
= 2 ez v|z0
= 2 zez =
2 21 z
z e .
(2)
Entonces, Z Gamma(2, ).
7.12.
Transformaciones no Inyectivas
98
7.13.
Distribuci
on de Sumas, Diferencias, Productos y Cocientes de v.a.
Ejemplo 7.13.1. Para el v.a. (X, Y ) tiene fdp conjunta fXY (x, y).
a) Encontrar la fdp conjunta de Z = X + Y y W = X Y
b) Encontrar la fdp marginal de Z
c) Encontrar la fdp marginal de W
Soluci
on:
a) X =
Z+W
2
yY =
ZW
2
b)
z+w zw
1
dw
fZ (z) =
fXY
,
2
2
R 2
Z
Z
R
=
z+w
,
2
zw
.
2
Si X y Y son
Z v.a.i.
Z
fZ (z) =
fX (z u)fY (u) du =
fX (u)fY (z u) du.
ZR
=
z+w
,
2
zw
.
2
1
1I(1,2) (u) I(3,5) (z u) du
=
2
Z
1
=
I(1,2) (u)I(3,5) (z u) du
2
1<u<2
3<zu<5
zu=3z =u+3
zu=5z =u+5
1
2
z3
du si 4 < z < 5
Z1 2
1
du
si 5 < z < 6
2
12
du si 6 < z < 7
z5
1
2 (z 4) si 4 < z < 5
1
si 5 < z < 6
=
21
(7 z) si 6 < z < 7
2
fZ (z) =
Ejemplo 7.13.3.
Sean X y Y variables aleatorias con fdp conjunta
fXY y sea Z = XY entonces, para encontrar la fdp de Z definimos
100
fZ (z) =
1 z
f
, w dw =
|w|
w
1 z
f v,
dv.
|v|
v
Sean X y Y variables aleatorias tal que P (Y = 0) = 0 y con fdp conjunta fXY . Para encontrar la fdp de Z = X
, definimos Z = g1 (X, Y ) = X
y
Y
Y
tomamos (por
W = g2 (X, Y ) = Y. De aqu se obtiene que
conveniencia)
x
1
g(z, w) = y , y g (z, w) = (zw, w) . Entonces, Jg1 (z, w) = w.
As, la fdp conjunta de (Z, W ) es:
fZW (z, w) = |w| f (zw, w) .
Entonces,
Z
fZ (z) =
T-STUDENT
7.14. DISTRIBUCION
7.14.
101
Distribuci
on t-Student
u2
2
fU V (u, v) =
1
(2) 2
p
( p2 )2 2
p
2
=
e 2
Iv (t, w)
p w
1 e
p
p
( 2 )2 2
(2) 2
2
p+1
1
1 21 w( tp +1)
2
e
=
w
p
1
2( p2 )2 2 p 2
Z
fT (t) =
fT W (t, w) dw
0
=
Z
0
1
(2)
1
2
p 1
( p2 )2 2 p 2
( p+1
)
2
|
1
2
2
1+ tp
w
p+1
2
p+1
2
"
22
(2) 2 ( p2 )p 2
"
p+1
2
()
1
2
p+1
1
2
{z
1
( p2 )p 2
1
1+
1
1+
2
2
1+ tp
# p+1
2
t2
p
# p+1
2
t2
p
2
1+
1
# p+1
2
t2
p
t2
e 2 w(1+ p ) dw
p+1
,
2
Gamma
p+1
2
"
102
T tp .
Teorema 7.14.1. Sea X una variable aleatoria con distribucion t-student,
p
para P > 2.
entonces E(T ) = 0 para P > 2 y V (T ) = p2
( p+1
)
2
Demostracion. Hallemos E(T ). Sea k = p
( 2 ) p
( p+1
)
2
t2
E(T ) =
|t|k 1 +
dt
p
( p+1
( p+1
Z
Z 0
)
)
2
2
t2
t2
tk 1 +
tk 1 +
=
dt
dt
p
p
0
( p+1
Z
)
2
t2
t 1+
= 2k
dt
p
0
Z
u
( p+1
)
2
u
dt = kp
p+1
( 2 ) + 1
0
p2 12 +1
u
= kp p 1
2 2 + 1
0
1
2kp
=
u 2 (1p)
1p
0
1
2kp
u2
=
=0
p
1 p u2
)+1
( p+1
2
ya que,
1
1
u 2
1
1
1
1
u2
= lm p 1 1 = lm 1 (p1) = 0, si p 2.
lm p = lm
p
1
u pu 2
u u 2
p u u 2 u 2
p u u 2
As, E(T ) = 0
Para V (T ) tenemos que, V (T ) = E(T 2 ) E 2 (T ) = E(T 2 ) ya que E(T ) = 0.
T-STUDENT
7.14. DISTRIBUCION
103
As,
p+1
2 ( 2 )
t
t2 k 1 +
V (T ) = E(T 2 ) =
dt
p
( p+1
Z
)
2
t2
2
t 1+
dt
= 2k
p
0
Z
Sea u =
p
du
2 pu
t2
p
du = p2 tdt ademas, pu = t2
= dt
p
du
2 u
p
du
2t
= dt tambien,
pu = t
= dt. Entonces,
Z
( p+1
)
2
E(T ) = k
p
du
u
pu (1 + u)
Z
p
1
1
= kp p
u 2 (1 + u) 2 2 du
Z 0
p
1
3
1
= kp 2
u( 2 +1)1 (1 + u)( 2 +1)( 2 1) du
Z0
p
3
3
3
u 2 1 (1 + u)( 2 )( 2 1)
= kp 2
{z
}
|
0
0
( 32 , p2 1)
( 32 )( p2 1)
du.
= kp
( 32 + p2 1)
3
2
( p+1
) p 2 ( 23 )( p2 1)
2
V (T ) = E(T ) = p
( 2 ) p
( p2 + 12 )
2
p 2 ( 21 + 1)( p2 1)
= p
1
( 2 1)( p2 1) p 2
=
Como
( 21 )
p( 12 )( 21 )
( p2 1)
, entonces, V (T ) =
=
( p2 1)
p
2
p2
2
p
.
p2
Observaci
on 7.14.1. Cuando p = 1 entonces sigue la distribucion cauchy.
104
7.15.
Distribuci
on F-Fisher
u
m
v
n
m
( m2 )2 2
u 2 1 e 2
m+n
( m2 )( n2 )2 2
n
( n2 )2 2
y y = v Jg1 (x, y) =
m
y
n
m m2 1 n
1 m
1
m
xy
y 2 1 e 2 ( n x+y)
fXY (x, y) = y m
m+n
n
n ( )( )2 2
n
2
Z
fX (x) =
fXY (x, y) dy
0
m m2
1
m+n
( m2 )( n2 )2 2
m
1
2
Z
0
y
|
m+n
1
2
1 m
e 2 ( n x+1)y dy.
{z
}
kGamma
m+n
2
, m x+1
2
n
m
m
m+n
x2 1
m 2
2
= m
I(0,) (x)
m+n
( 2 )( n2 ) n
2
1+ m
x
n
X Fm,n .
Teorema 7.15.1. E(X) =
n > 4.
n
n2
2n2 (m+n2)
m(n2)2 (n4)
para
1y
n
x = m y . Ahora, cuando x 0 y 1 y cuando x y 0.
F-FISHER
7.15. DISTRIBUCION
( m2 +k)1
n
m+n
n 1y
(y) 2 y 2 dy
m
y
m
1
m
Z
m
( m ) 2 n m2 +k1 1
m+n
m
= nm n
(1 y)( 2 +k)1 y 2 +1 2 k2 dy
( 2 , 2 ) m
0
m k Z 1
m
(n)
n
= m
(1 y)( 2 +k)1 y ( 2 k)1 dy
n
{z
}
( 2 , 2 ) 0 |
m
(m) 2
E(X ) = nm n
( 2 , 2 )
k
105
( n
k, m
+k)
2
2
n
)k
(m
m
n
k,
+
k
( m2 , n2 )
2
2
n k ( n + m ) ( n k)( m + k)
2
2
=
2 n m2
m ( n2 )( m2 )
( 2 + 2 )
n k ( n k)( m + k)
2
2
=
.
m
( n2 )( m2 )
E(X k ) =
E(X) =
E(X) =
n
, n > 2.
n2
106
n 2 ( n 2)( m + 2)
2
2
E(X ) =
n
m
m
( 2 )( 2 )
n 2 ( n 2)( m + 1)( m )( m )
2
2
2
2
=
m ( n2 1)( n2 2)( n2 2)( m2 )
n 2 (m+2)m
4
=
m (n2)(n4)
4
n 2 (m + 2)m
=
m (n 2)(n 4)
n2 (m + 2)
=
.
m(n 2)(n 4)
2
n2 (m + 2)
n
m(n 2)(n 4) n 2
n2 ((m + 2)(n 2) (n 4)m)
=
m(n 2)2 (n 4)
n2 (mn 2m + 2n mn + 4m 4)
=
m(n 2)2 (n 4)
2n2 (m + n 2)
V (X) =
.
m(n 2)2 (n 4)
V (X) =
7.16.
Funci
on Generadora de Momentos Multivariada (FGMM)
Definici
on 7.16.1. Sean X1 , X2 , ..., Xn v.a.i. definidas en (, =, P ) y t1 , t2 , ..., tn
n
umeros reales definimos la FGMM por:
h 0 i
MX1 ,X2 ,...,Xn (t1 , t2 , ..., tn ) = E et X = E et1 X1 +...+tn Xn ,
0
MY (t) =
n
Y
MXj (t).
j=1
Demostracion.
MY (t) = E(etX1 +tX2 +...+tXn )
Z
Z
n
Y
tx1 +tx2 +...+txn
fX1 ...Xn (x1 ...xn )
dxj
... e
=
R
Z
=
...
R
Z
=
j=1
n
Y
dxj
j=1
Teorema 7.16.2. Sean X1 , X2 , ..., Xn v.a con FGMM MX1 ...Xn (t1 ...tn ) con
los tj tomados en una vecindad de cero. Entonces, las variables aleatorias
X1 , X2 , ..., Xn son independientes, si y solamente si la FGMM puede ser escrita como:
MX1 X2 ...Xn (t1 t2 ...tn ) =
n
Y
j=1
MXj (tj )
108
Demostracion.
MY (t) = E(etX1 +tX2 +...+tXn )
Z
Z
n
Y
tx1 +tx2 +...+txn
=
... e
fX1 ...Xn (x1 ...xn )
dxj
R
...
=
R
Z
=
j=1
tx1
dxj
j=1
Z
fX1 (x1 ) dx1
tx2
Z
fX2 (x2 ) dx2 ...
n
Y
Ejemplo 7.16.1.
Sean X1 , X2 , ..., Xn v.a.i con distribucion Ber(p) entonces para Y = X1 + X2 + ... + Xn
MY (t) = E(etY ) = E(etX1 +tX2 +...+tXn )
n
Y
=
MXj (t)
=
j=1
n
Y
(pet + q)
j=1
= (pet + q)n .
Y = Bin(n, p).
t<
t
j=1
n
=
.
t
=
Y = Gamma(n, ).
n
Y
1
2
j=1
1
2
=
1
2
1
2
12
,
t
n2
t<
1
2
Y = Gamma( n2 , 12 ) = 2n .
Ejemplo 7.16.2. Suponga que Xj N (j , j2 ) j = 1, 2, ..., n y que X1 , X2 , ..., Xn
son v.a.i. Encuentre la distribucion de Z = 1 X1 + 2 X2 + ... + n Xn donde
j R para j = 1, 2, ..., n.
110
Soluci
on:
MZ (t) = E et(1 X1 +...+n Xn )
j=1
n
Y
j=1
n
Y
ej (j t)+ 2 j (j t)
1
2 2 2
j
ej tj + 2 j t
j=1
n
X
X
1
j j
j2 j2
t+ 2
t2
=e
Z=N
n
X
j j ,
j=1
n
X
j=1
j=1
!
j2 j2 .
j=1
1
n
n
X
Xi
i=1
ii) S =
1
n1
n
X
(Xi X)2
i=1
Soluci
on:
i) X = n1 X1 + n1 X2 +...+ n1 Xn , entonces, tomando 1 = 2 = ... = n =
!
n
n 2
X
1 X 1
XN
,
2 .
n
n
i=1
i=1
2
X N (, n ).
1
n
7.17. EJERCICIOS
111
ii)
2
(n 1)s =
n
X
(Xi X)2
i=1
=
=
n
X
i=1
n
X
((Xi ) (X ))2
(Xi )2 2(Xi )(X ) + (X )2
i=1
n
X
(Xi ) 2(X )
i=1
=
=
n
X
i=1
n
X
n
X
(Xi ) + n(X )2
i=1
i=1
(n 1)s2 X
=
2
|i=1
7.17.
!2
2
2 2
X
X
2
n 1 n1
n
{z
}
{z
} |
2n
21
Ejercicios
Encuentre:
a) f.d.p marginal
d) P (X > 12 , Y > 34 )
b) f.d.p condicional
e) P (X > 12 |Y > 43 )
c) P (Y > 34 )
f) P (X < 15 |Y = 31 )
112
0
caso contrario
a)
b)
c)
d)
e) P (Y < 1|X = 13 )
fdp marginales
fdp condicionales
P (Y < 31 |X = 13 )
P (Y < 23 |X = 13 )
f) P (X > 12 |Y > 12 )
g) P (X < 12 |Y > 12 )
1
12
1
6
1
12
1
6
1
3
1
6
2
3
a) Son independientes X y Y ?
b) Encuentre:
i)
ii)
iii)
iv)
P (X = Y )
P (X = 2 o Y = 4)
P (X + Y 4)
P (Y > 2,5|X < 3)
7.17. EJERCICIOS
113
c) P (X > 2Y )
b) P (X + Y < 1)
d) P (X > 21 , Y < 12 )