Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Chapter 4
Vectores Aleatorios
1 Distribuci
on conjunta de un vector aleatorio
Anteriormente estudiamos la distribucion de probabilidad de una variable aleatoria. Sin
embargo, en muchas ocasiones estamos interesados en estudiar mas de una variable aleatoria
como resultado de un experimento. En general, si X e Y son variables aleatorias, la dis-
tribucion de probabilidad que las describe a las dos simultaneamente se llama distribuci
on
3m
de probabilidad conjunta, y aparecen de forma natural en muchas situaciones:
La distribucion de probabilidad conjunta de las componentes x, y y z de la direccion
del viento medidas en estudios sobre turbulencias atmosfericas.
En estudios ecologicos, el n
umero de animales de una especie se modeliza mediante
uc
una variable aleatoria. Unas especies son depredadores de otras, por lo que el n
umero
de presas esta relacionado con el n
umero de predadores.
La intensidad y la fase de una se
nal aleatoria que se miden en los canales de comuni-
cacion.
55
Maria Durban 2011
X =AN
new receptor
umero foraceptables
de bits the transmission
Y =ofN
digital
umeroinformation receives bit that
de bits sospechosos
Are classified as acceptable, suspicious or non-acceptable, depending on
La funcion de probabilidad conjunta
The quality of viene
the signal dada en la siguiente tabla:
received.
4 bits are transmitted, and two r.v. are defined:
Y
4 4.1x10-5
3 4.1x10-5 1.84x10-3
p ( x, y ) 0
2
p( x, y) = 1
x y
1.54x10-5 1.38x10-3 3.11x10-2
0 1 2 3 4 X 6
3m
Cual es la probabilidad de que haya, como mucho, 2 bits acepatables y 1 sospechoso?
P (X 2, Y 1) = P (X = 0, Y = 0) + P (X = 1, Y = 0) + P (X = 2, Y = 0) + P (X = 0, Y = 1) +
+ P (X = 1, Y = 1) + P (X = 2, Y = 1)
uc
1.2 Variables aleatorias continuas
La distribucion de probabilidad de dos variables aleatorias continuas X e Y se puede especi-
ficar si encontramos un metodo para calcular la probabilidad de que X e Y tome valor en
una region de espacio bidimensional. La integral doble en un recinto nos da la probabilidad
de que tomen valor en ese recinto, esta integral se puede interpretar como el volumen bajo
la superficie generada por el recinto (recuerda que en el caso unidiemnsional era el area bajo
la curva).
Dadas dos variables continuas X e Y , su funcion de densidad conjunta es una funcion f (x, y)
que satisface:
f (x, y) 0
Z + Z +
f (x, y)dxdy = 1
Z Z
P ([x, y] R) f (x, y)dxdy.
R
Nota: el orden de integracion no afecta el calculo, siempre que los lmites de integracion sean
los correctos.
56
Maria Durban 2011
Pr(X11.X 1.5
P (1 1, 1.5
Y
Y 1.5)
1.5)
3m
10
Estadstica. Profesora: Mara Durbn
Ejemplo
uc
Sea X ua variable aleatoria que representa el tiempo hasta que un PC se conecta a un
servidor, e Y , el tiempo hasta que el servidor te reconoce como usuario. La funcion de
densidad conjunta viene dada por:
1 Joint distribution of a ra
6
f (x, y) = 6 10 exp(0.001x 0.002y) 0 < x < y Example
57
junta de un vector aleatorio 2 Distribuciones marginales
Maria Durban 2011
Ejemplo
2 Distribuciones marginales
Si se definen ms de unay a conficionadas
vv.a. en un experimento
experimento, es importante
distinguir entre la distribucin de probabilidad conjunta y la distribucin
0.001x 0.002 y ) 0< x< y de probabilidad de cada variable individualmente. A la distribucin de
2.1 Distribuci
on marginal cada variable se le denomina distribucin marginal
marginal.
1000 y Si 2000
en 1000
un experimento se definen mas de una variable aleatoria,
Variables Discretas es importante distinguir entre
= f ( x, y )dxdy +
1000 0
f ( x, y )dxdy
0 0
la distribucion conjunta de X Dadas
e Y ,dos y v.a.
la discretas,
distribuci
X , Yon
conde cada
funcin de una de ellas
probabilidad por separado. a
conjunta
= 0.915 p ( x , y )
distribucion individual de cada una de ellas se llama distribuci
las funciones de probabilidad marginaleson marginal. son:
de ambas variables
p ( x) = Pr( X = x) = Pr( X = x, Y = y )
X Son funciones de probabilidad
y
En el caso de dos variables aleatorias discretas X e Y con funcion de probabildiad con-
p ( y ) = Pr(Y = y ) = Pr( X = x, Y = y )
junta p(x, y), las funciones de probabilidad marginal son: Se puede calcular su esperanza,
Y
x
X varianza, etc.
p(x) = P (X = x) = P (X = x, Y = y)
13 14
y
Estadstica. Profesora: Mara Durbn
X
p(y) = P (Y = y) = P (X = x, Y = y).
x
Ambas son funciones de probabilidad y cumplen las propiedades que vimos en el tema
iones marginales
2 Marginal distributions
anterior. 2 Distribuciones marginales
Ejemplo Example Ejemplo
w receptor
para for the transmission of digital
X = Number of bits acceptables
EjemploY = Number of suspicious bits
3m
eceptor Continuamos
la transmisin con information
de informacin el ejemploreceives
de la bitdesarrollo
En secci
el that
on anterior.
de un nuevoLa funci
receptor onlade
para probabilidad
transmisin marginal
de informacin del
lassified
sifica comoas acceptable,
aceptable, suspicious
sospechoso o no or non-acceptable, depending onbit recibido se clasifica como aceptable, sospechoso o no
digital, cada
calidad de
quality la seal
of the
nu mero de bits aceptables es: aceptable, dependiendo de la calidad de la seal recibida.
recibida.
signal received.
enare
lastransmitted,
siguientes vv.a.:
a and
: two r.v. are defined: Se transmiten 4 bits y se definen las siguientes vv.a.:
a:
Y Y
X = Nmero de bits aceptables X = Nmero de bits aceptables
La funcin de pprobabilidad
Y = Nmero de4bits4.1x10
arginal probability
10-5
uc
sospechosos -5
Y = Nmero de bits sospechosos
ns are obtained by marginales se obtendran
10in 1.84x10
both directions. sumando en ambas
-5 -3
3 4.1x10-5 1.84x10-3
direcciones
x10-5 1.38x10-3 3.11x10-2
2 1.54x10-5 1.38x10-3 3.11x10-2
10-66 3.46x10
x10 3 46 10-44 1.56x10
1 56 10-22 0 2333
0.2333
1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333
10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561 0.0001 0.0036 0.0486 0.2916 0.6561
40
1.6x10-7 2.88x10-5 -3 5.83x10-2
1 2 3 X 1.94x10
15 0.6561
0 1 2 3 4 X 16
0 1 2 3 4 X
Estadstica. 18 Mara Durbn
Profesora:
a. Profesora: Mara Durbn
Dadas dos variable aleatorias continuas X e Y con funcion de densidad conjunta f (x, y),
las funciones de densidad maginales vienen dadas por:
Z +
f (x) = f (x, y)dy
Z +
f (y) = f (x, y)dx.
58
We can compute their mean,
the marginals density functions are given by: etc.
variance, f X ( x) = f ( x, y )dy
+
fY ( y )
They are density functions = f ( x, y )dx
0.4
0.3
f(x)
0.2
0.1
0.0
-4 -2 0
x
2 4 22
Estadstica. Profesora: Mara Durbn
Ejemplo
2 Marginal distributions
En el ejemplo de la seccion anterior, si queremos calcular P (Y > 2000), tenemos dos opciones:
Example
1. Calcular directamente
6 la probabilidad integrando en la region correspondiente.
f ( x, y ) = 6 10 exp( 0.001x 0.002 y ) 0 < xWe
< ycan solve ir in
3000
Z + Z y
2000
1000
3m P (Y > 2000) =
2000 0
f (x, y)dxdy = 0.05
3 Distribuciones condicionadas
Cuando se definen dos variable aleatorias en un experimento, el conocimiento que se tiene
de una de ellas puede afectar a las probabiliddes asociadas con los valores que toma la otra
variable. Recordemos la definicion de probabilidad condicionada para los eventos A y B,
P (B|A) = P (A B)/P (A), que meda el tama no de uno de los eventos con respecto al otro.
Dadas dos v.a. discretas X e Y con funcion de probabilidad conjunta p(x, y), la funcion
de probabilidad condicionada de Y dado X = x:
AB
z }| {
p(x, y) P (X = x, Y = y)
p(y|x) = = = p(x, y) = p(y|x)p(x)
p(x) P (X = x})
| {z
A
59
Maria Durban 2011
Es una funcion de probabilidad, por lo tanto, podemos calcular la media, varianza, etc., de
Y |X = x
Ejemplo
En el ejemplo de los bits, calcular la funcion de probabilidad de Y |X = 3, y el n
umero
esperado de bit sospechosos si hay 3 bits aceptables.
f (x, y)
f (y|x) = = f (x, y) = f (y|x)f (x)
f (x)
Ejemplo
uc
En el ejemplo de la seccion anterior, calculamos P (Y > 2000|X = 1500).
f (x, y)
f (y|x) =
f (x)
Z +
f (x) = f (x, y)dy = 0.003e0.003x x>0
x
6 106 exp(0.001x 0.002y)
f (y|x) = = 0.002e0.002x0.002y 0<x<y
0.003e0.003x
Z + Z +
P (Y > 2000|X = 1500) = f (y|X = 1500)dy = 0.002e30.002y dy = 0.368
2000 2000
60
Maria Durban 2011
pendientes si:
P (A B) = P (A)P (B)
P (A|B) = P (A)
P (B|A) = P (B).
Por analoga, decimos que dos variables son independientes si :
Ejemplo
En el ejemplo de variables continuas la seccion anterior, son X e Y independientes?.
Dado un vector aleatorio X0 = (X1 , X2 ), la media o valor esperado del vector es otro
vector cuyos componentes son los valores esperados de cada uno de los componentes:
E[X1 ]
= E[X] =
E[X2 ]
Covarianza
Es una medida de la relacion lineal entre dos variables aleatorias. Para definir la
covarianza, necesitamos definir la esperanza de una funcion de dos variabes aleatorias
h(X, Y ). La definicion es simplemente una extension de la usada en el caso de una
variable aleatoria: variable.
P P
y h(x, y)p(x, y)
E[h(X, y)] = R + x
h(x, y)f (x, y)dxdy
61
Es una medida de la relacin lineal entre dos variables
Cov ( X , Y ) = E ( X E [ X ]) (Y E [Y ]) = E [ XY ] E [ X ] E [Y ]
Propiedades
Maria Durban 2011
Si X , Y son independientes Cov( X , Y ) = 0 ya que E [ XY ] = E [ X ] E [Y ]
El valor de E[h(X, Y )] representa el valor medio de h(X, Y ) que se esperara si se repite
el experiemnto
Si Cov( X , Yun
)=0gran
X n
, Yumero de veces.
sean independientes
Importante: Z = aX + b
Si hacemos un cambio de origen y escala: Cov ( Z , W ) = abCov ( X , Y )
W = cY + d 38
Si dos variables X e Y son independientes E[XY ] = E[X]E[Y ]
Estadstica. Profesora: Mara Durbn
Hay relacin
3m pero no
lineal
40
Covarianza
Estadstica. Profesora: negativa
Mara Durbn Covarianza cero
uc
La covarianza tiene las siguientes propiedades:
Correlacion
Hay otra medidad de la relacion lineal entre dos variables aleatorias y que tiene una
interpretacion mas sencilla que la covarianza (ya que la magnitud de la covarianza se
ve afectada por los cambios de escala):
Cov(X, Y )
XY = Corr(X, Y ) = p
V ar[X]V ar[Y ]
|X,Y | 1
62
Maria Durban 2011
Matriz de varianzas-covarianzas
Todos los resultados de esta seccion se pueden extender al caso en el que el vector tenga
una dimension mayor a 2.
Ejemplo
3m
Sea (X, Y ) un vector bidimensional con matriz de varianzas-covarianzas dada por
1 2
2 a
2
Probar que Corr (X, Y ) =
a
, y por lo tanto, a 4.
uc
Primero, observamos que a 0 para que pueda ser la varianza. Segundo, tenemos que,
Cov (X, Y ) 2
Corr (X, Y ) = p =
V ar[X]V ar[Y ] 1 a
|1| 0
1 2
2 a 0 a 4 0 a 4
63
Maria Durban 2011
5 Transformaci
on de vectores aleatorios
Al igual que en caso unidimensional, algunas veces necesitamos obtender la funcion de prob-
abilidad o densidad de una funcion de dos o mas variables aleatorias.
La demostracion de este resultado se puede encontrar en la seccion 5.4 del libro Princi-
pios de probabilidad, variables aleatorias y se
nales aleatoriasProbability, random variables
and random signals de Peyton y Peebles (McGraw hill).
uc
Si el vector Y tiene una dimension menor que la de X, completamos Y con elementos
de X hasta que ambos tengan la misma dimension.
Ejemplo
Dado un vetor aleatorio (X1 , X2 )0 con funcion de densidad conjunta:
4x1 x2 0 < x1 < 1; 0 < x2 < 1
fX (x1 , x2 ) =
0 elsewhere
Calcula la funcion de densidad conjunta de Y1 = X1 + X2 .
Para resolver este problema, primero necesitamos definir otro componente de la transfor-
macion, por ejemplo: Y2 = X2 . Entonces, necesitamos calcular la funcion de densidad
conjunta de Y = (Y1 , Y2 )0 , y entonces, calculamos la densidad marginal de Y1 = X1 + X2 .
Para calcular la funcion de densidad de Y seguimos los mismos tres pasos que en el caso
unidimensional:
64
Maria Durban 2011
Y2 = X2 X2 = Y2
Y1 = X1 + X2 X1 = Y1 X2 = Y1 Y2
4(y1 y2 )y2
3. Calcular el Jacobiano
dx1 /dy1 dx1 /dy2 1 1
= =1
dx2 /dy1 dx2 /dy2 0 1
Pero, ademas, necesitamos calcular la region donde esta funcion esta definida:
f (Y ) = 4( y1 y02<)x y<21
3m 2 0 < y2 < 1
5 Transformation
0 < x1 < 1 0 < y1of
y2random
< 1 y2 < y1vectors
< 1 + y2
0 < y < 1 0 < y2 < y1
1
Por lo tanto, la funcion de densidad es:
Example
1f < y0 1< x<, x 2< 1 y1 -1 < y2 < 1
uc
(y , y ) = 4(y y )y 0 < y < 1 y < y < 1 + y
Y 1 2 1 2 2 2 2 1 2
1 2
Ahora, necesitamos calcular la funcion de densidad marginal de Y1 , entonces, necesitamos
integrar con respecto a y2 . Para calcular los lmites de integracion, dibujamos la region
1 = X 1 + X 2 0 < y1 < 2
Ydonde esta definida la funcion de densidad conjunta:
Entonces,
Y2 = X 2 0 < y2 < 1 Y1 Y2 = X 2 0 < y1 y2 < 1
1 y1 y2 = 0
0 < y1 < 1 0 < y2 < y1
y1 y2 = 1 1 < y1 < 2 y1 -1 < y2 < 1
2
R y1 3
0 4(y1 y2 )y2 dy2 = 2 y13 0 < y1 < 1
fY1 (y1 ) = 55
R y1 1 8
Estadstica. Profesora: Mara Durbn
1
4(y1 y2 )y2 dy2 = 2
+ 32 y13 1 < y1 < 2
65
Maria Durban 2011
Ejemplo
Supongamos que X1 y X2 son variables exponenciales, independientes, con funciones de den-
sidad fX1 (x1 ) = 2e2x1 y fX2 (x2 ) = 2e2x2 . Calcular la funcion de densidad de Y1 = X1 /X2 .
Y2 = X2 X 2 = Y2
Y1 = X1 /X2 X1 = Y1 X2 = Y1 Y2
3. Calcular el Jacobiano
dx1 /dy1 dx1 /dy2 y2 y1
=
dx2 /dy1 dx2 /dy2 0 1 = y2
uc
x2 > 0 y 2 > 0
x1 > 0 y1 /y2 > 0 y1 > 0
66
Maria Durban 2011
5.1 Convoluci
on
Este es un metodo para calcular la funcion de densidad (o probabilidad) de la suma de dos
variable aleatorias independientes a partir de la integral (o suma) de funciones de densidad
(o probabiliad).
5.2 Combinaci
on lineal de variables aleatorias
Un caso particular (y mut u
til) es el caso particular en el que la transformacion es lineal, es
decir:
3m Y m1 = Amn X n1 m < n
Entonces, es facil probar (debido a las propiedades de la esperanza y varianza de variables
aleatorias) que:
E[Y ] = AE[X]
uc
V ar[Y ] = AV ar[Y ]A0
Ejemplo
Supongamos que tenemos la siguiente transformacion:
X1
Y = X1 + X2 = (1, 1)
X2
Entonces:
E[Y ] = E[X1 ] + E[X2 ]
V ar[X1 ] Cov(X1 , X2 ) 1
V ar[Y ] = (11) = V ar[X1 ] + V ar[X2 ] + 2Cov(X1 , X2 )
Cov(X1 , X2 ) V ar[X2 ] 1
Ejercicio
Cual es la varianza de Y = X1 X2 ?. Cual sera si X1 y X2 son independientes?
Un caso interesante es cuando las variables implcadas son Normales. Supongamos que ten-
emos n variables Normales independientes Xi N (i , 12 ). Entonces:
Y = a1 X 1 + a2 X 2 + . . . + an X n is Normal
67
Maria Durban 2011
and
X
n X
n
E[Y ] = ai i V ar[Y ] = a2i i2
i=1 i=1
6 Distribuci
on Normal Multivariante
La extension de una distribucion Normal al caso de varias variables aleatorias es el ejem-
plo mas improtante de distribucion de probabilidad multivariante. Aqu, nos centramos en
el caso bidimensional, pero los resultados se pueden extender a cualquier n
umero de variables.
f(x,y)
1 = 2
1 = 2 1 =
y 2
y
y
uc
=0 = 0.90
= 0.90
x
x
x
Contour Plots of the Bivariate Normal Distribution
y y y
1 =
=0
2
1 = 2 =
Density
Estas son algunas de las propiedades function de una
mas importantes 1 2
= 0.9
= distribuci
0.9 on Normal bi-
variante:
2 2 2
2 2 2
1 x 1 x 1 x
68
Maria Durban 2011
7 Ejercicios
Los siguientes ejercicios son faciles de resolver y tienen el objetivo de ayudarte a comprender
los conceptos explicados en este tema. Para poder aprobar debes saber resolver los ejercicios
de examenes que aparecen al final de la lista y que encontraras en la pagina web de la
asignatura:
1. En una urna hay 5 bolas blancas y 2 negras y se sacan tres bolas sin reemplazamiento.
(a) X 2 + Y 2 < 1
(b) 2X Y > 0
(c) |X + Y | < 2
5. El tiempo total que un camion permanece en una estacion de descarga esta definido
por la variable aleatoria X, siendo Y la variable aleatoria que representa el tiempo de
espera en la cola y Z el tiempo de descarga (X = Y + Z). Sabiendo que la distribucion
conjunta de X e Y es
(1/4)ex/2 0 y x <
f (x, y) =
0 otherwise
69
Maria Durban 2011
Recinto A
1 2
70
Maria Durban 2011
Calcular:
11. Una compa na fabrica miras telescopicas cuya desviacion del objetivo en mms se mide
a traves de dos VAs (X, Y ) con distribucion
X 0 0.5 0
N , .
Y 0 0 0.5
que indican las dos coordenadas en el plano (y el objetivo es el punto (0,0)). El ejercito
considera rechazable cualquier mira que no pasa la siguiente prueba: se efect uan tres
3m
disparos independientes y si alguno se desva del objetivo en valor absoluto en mas de
1mm en cualquiera de las dos coordenadas, se considera que es una mira defectuosa.
Zona de emergencia
Costa B
0 50 75 150
Este
50
75 Costa B
150
Costa A
Sur
Zona de emergencia Costa A
71
Maria Durban 2011
Si tomamos la v.a. bidimensional normal formada por los avances en ambas direcciones
y con coeficiente de correlacion ,
13. Sea (X, Y ) una v.a. bidimensional con funcion de densidad conjunta:
y
ke si 0 < x < y
f (x, y) =
0 en otro caso
14. Se elige un punto X al azar en el intervalo (0, 1). Supuesto que X = x, Y es una
variable aleatoria exponencial de media x1 , cuya densidad viene definida por
xy
xe si y > 0
fY |X (y | x) =
uc
0 otro caso
Calcular:
72
Maria Durban 2011
d) Son X e Y independientes ?
e) Calcular Pr(X + Y < 0.5)
16. Sean Z1 y Z2 dos v.a. con funcion de densidad exponencial de media 1/. Calcular la
funcion de densidad de Z1 + Z2
Y U (1, 1)
Definimos R = X.Y :
uc
(a) Calcula la funcion de distribucion y de densidad de R
(b) Calcula E[R]
73