Miguel Chong
Series de tiempo
Variables aleatorias bidimensionales Si el resultado del experimento aleatorio que hacemos da como resultado dos observaciones conjuntas entonces tenemos una variable aleatoria bidimensional (X , Y ). Este vector puede ser cualquier punto del plano R R. Cada entrada del vector es una variables aleatorias unidimensionales con su respectivo campo de variaci on o rango que nos determinan el rango del vector conjunto. El vector aleatorio (X , Y ) tendr a un campo de variaci on y una funci on distribuci on de probabilidad, que denotaremos FX Y (, ) o distribuci on conjunta, donde FX Y (x , y ) = = P ({X x } {Y y }) P (X x , Y y ) .
Miguel Chong
Series de tiempo
La manera de denir FX Y (x , y ) nos permite calcular la probabilidad de un rect angulo, en t erminos de la funci on de distribuci on conjunta FX Y (, ). Supongamos que x1 < x2 y y1 < y2 , entonces la probabilidad del rect angulo (x1 , x2 ] (y1 , y2 ] est a dada por: P (x1 < X x2 , y1 < Y y2 ) = = P (X x2 , Y y2 ) P (X x1 , Y y2 ) P (X x2 , Y y1 ) + P (X x1 , Y y1 ) FX Y (x2 , y2 ) FX Y (x1 , y2 ) FX Y (x2 , y1 ) + FX Y (x1 , y1 ) .
Miguel Chong
Series de tiempo
Propiedades de FX Y (, )
1
Si y0 es un valor jo y x es una variable entonces FX Y (x , y0 ) es continua por la derecha. Si x0 es un valor jo y y es una variable entonces FX Y (x0 , y ) es continua por la derecha
FX Y (, ) cumple lo siguiente
1 2 3
Miguel Chong
Series de tiempo
Variables Aleatorias bidimensionales discretas Una variable aleatoria bidimensional es discreta cuando las dos variables que componen al vector tienen una distribuci on discreta y por lo tanto (X , Y ) toma una cantidad nita o numerable de puntos con masa positiva. Supongamos que el rango del vector aleatorio son los puntos {(x1 , y1 ) , (x2 , y2 ) , (x3 , y3 ) , . . .} donde P [X = xi , Y = yi ] > 0,
P [X = xi , Y = yi ] = 1.
Miguel Chong
Series de tiempo
Variables Aleatorias bidimensionales continuas Una variable aleatoria bidimensional es continua cuando la funci on de distribuci on FX Y : R2 R es continua y existe una funci on fX Y : R2 R que llamaremos funci on de densidad conjunta, que cumple con
x y
FXY (x , y ) =
fXY (u , v ) dvdu ,
Miguel Chong
Series de tiempo
Independencia entre variables aleatorias Diremos que las variables aleatorias X y Y son independientes, si y s olo si FX Y (x , y ) = FX (x ) FY (y ) para todo (x , y ) R2 o tambi en si fX Y (x , y ) = fX (x ) fY (y ) para todo (x , y ) R2 . Podemos hablar de vectores aleatorios de dimensi on mayor a tres. Supongamos que tenemos n variables aleatorias unidimensionales X1 , X2 , . . . , Xn . Entonces podemos denir la La funci on de distribuci on conjunta de X1 , X2 , . . . , Xn como FX1 X2 Xn : Rn [0, 1] dada por FX1 X2 Xn (x1 , x2 , . . . , xn ) = P (X1 x1 , X2 x2 , . . . , Xn xn ) . Si suponemos independencias entre las variables aleatorias X1 , X2 , . . . , Xn entonces tenemos que FX1 X2 Xn (x1 , x2 , . . . , xn ) = =
i =1 n
P (Xi xi )
=
i =1
F (xi ) .
o equivalentemente
n
fX1 X2 Xn (x1 , x2 , . . . , xn )
Miguel Chong
=
i =1
fXi (xi ) .
Series de tiempo
Esperanza La esperanza (matem atica), valor esperado o media de una v.a. X es un promedio ponderado de acuerdo a la distribuci on probabilidad. El valor esperado o esperanza de una v.a. X, lo denotaremos por E (X ), y lo calcularemos como sigue:
x Rango(X ) x P (X xfX
= x)
E (X ) =
(x ) dx
Miguel Chong
Series de tiempo