Dis Tri Buci Ones Biva Riad As

Distribuciones aleatorias bivariadas.
Dr. Marco A. Macas Cede no .

Oto no, 2013 UPIITA-IPN, Mexico.
Distribuciones Bivariadas
Si el interes esta ahora en mas de una caracterstica en alg un fenomeno aleatorio,
por ejemplo en un proceso de seleccion de personal una primer caracterstica de
interes es la escolaridad de los candidatos (licenciatura, especialidad, maesta) y
otra es sus habilidades en otro idioma (nula, medianas, avanzadas). Asi vemos
que estamos en la necesidad de estudiar modelos de probabilidad que contengan
mas de una variable aleatoria.
Se van a considerar distribuciones tanto discretas como continuas, de dos
variables aleatorias.
Denicion. Sean X y Y dos variariables aleatorias discretas. La probabilidad de
que X = x y Y = y esta determinada por la funcion de probabilidad conjunta
p(x, y) = P(X = x, Y = y) ,
en donde p(x, y) 0, para toda (x, y) de (X, Y) y
y
p(x, y) = 1
La funci on de distribucion acumulada conjunta de que X = x y Y = y esta dada
por
F(x, y) = P(X x, Y y) =
x
i
x
y
i
y
p(x
i
, y
i
)
Ejemplo. Dos dados son lanzados. Hallar la funcion de probabilidad conjunta de
las variables X: el mayor valor obtenido en cualquiera de los dados y Y: la suma
de los valores.
Sol.
La variable X toma los valores 1,2,3,4,5 y 6; y los valores de la variable Y son
2,3,4,5,6,7,8,9,10,11 y 12.
La funcion de probabilidad conjunta queda
Y
X 2 3 4 5 6 7 8 9 10 11 12
1 1/36
2 1/18 1/36
3 1/18 1/18 1/36
4 1/18 1/18 1/18 1/36
5 1/18 1/18 1/18 1/18 1/36
6 1/18 1/18 1/18 1/18 1/18 1/36
Se puede condensar en la forma
P(X = i , Y = j ) =
_
_
1/36 si 1 i 6, j = 2i ;
1/18 si 2 i 6, i + 1 j 2i ;
0 otros casos
Se verica que
6
x=1
12
y=2
P(X = x, Y = y) = 1 .
Denicion. Sean X y Y v.a continuas. Se dice que se distribuyen conjuntamente
si existe una funcion f (x, y) denida para todo (x, y) R
2
, con la propiedad de
que para todo conjunto C R
2
P{(X, Y) C} =
__
(x,y)C
f (x, y)dx dy .
La funci on f (x, y) se conoce como la funcin de densidad conjunta de las v.a s X
y Y. Ademas debe vericar
_
+
_
+
f (x, y) dx dy = 1 .
Ejemplo. Sea la funcion
f (x, y) =
6
7
(x
2
+
x y
2
) para 0 < x < 1, 0 < y < 2;
se tiene
_
+
_
+
f (x, y) dx dy =
_
1
0
_
2
0
6
7
_
x
2
+
x y
2
_
dx dy
=
6
7
_
x
3
3
1
0
y
2
0
+
1
2
x
2
2
1
0
y
2
2
2
0
_
=
6
7
_
4
6
+
3
6
_
= 1 .
Denicion. Sean X y Y v.a discretas con funcion de probabilidad conjunta
p(x, y). Las funciones MARGINALES de probabilidad de X y Y estan denidas
como
p
X
(x) =
y
p(x, y) & p
Y
(y) =
x
p(x, y) ,
respectivamente.
De esta forma, en el ejemplo de lanzar dos dados, se tiene para la variable X la
funcion marginal es
p
X
(x) =
_
_
1/36 si x = 1,
3/36 si x = 2,
5/36 si x = 3,
7/36 si x = 4,
9/36 si x = 5,
11/36 si x = 6 .
Para la variable Y, se tiene
p
Y
(y) =
_
_
1/36 si y = 2,
2/36 si y = 3,
3/36 si y = 4,
4/36 si y = 5,
5/36 si y = 6,
6/36 si y = 7,
5/36 si y = 8,
4/36 si y = 9,
3/36 si y = 10,
2/36 si y = 11,
1/36 si y = 12 .
Denicion. Sean X y Y dos v.a. continuas con funcion de densidad conjunta
f (x, y). Las funciones de densidad marginales de X y Y estan dadas por
f
X
(x) =
_
+
f (x, y)dy & f

Y
(y) =
_
+
f (x, y)dx ,
respectivamente
Para la funcion
f (x, y) =
6
7
(x
2
+
x y
2
) para 0 < x < 1, 0 < y < 2;
las funciones de densidad marginales quedan
f
X
(x) =
_
2
0
6
7
_
x
2
+
xy
2
_
dy
=
6
7
_
x
2
y +
xy
2
4
_
2
0
=
6
7
_
2x
2
+ x
_
para 0 < x < 1 ,
f
Y
(y) =
_
1
0
6
7
_
x
2
+
xy
2
_
dx
=
6
7
_
x
3
3
+
x
2
y
4
_
1
0
=
6
7
_
1
3
+
y
4
_
para 0 < y < 2 ;
respectivamente.
Denicion. Sean X y Y, v.as discretas, con funcion de probabilidad
p(x, y)(continuas, con funcion de densidad f (x, y)), Se dice que X y Y son
independientes si y solo si
p(x, y) = p
X
(x)p
Y
(y) ,
para todo par (x, y) R
2
, con p
X
y p
Y
son las respectivas funciones marginales
de X y Y.
(f (x, y) = f
X
(x)f
y
(y),
con f
X
y f
Y
son las respectivas funciones marginales de X y Y. )
Ejemplo. La funcion de probabilidad conjunta de las variables X y Y esta dada por
p(1, 1) =
1
8
, p(1, 2) =
1
4
,
p(2, 1) =
1
8
, p(2, 2) =
1
2
.
Son X y Y independientes?
Ejemplo. Sean X y Y v. as continuas, con funcion de densidad conjunta dada por
f (x, y) =
_
xe
(x+y)
si x > 0, y > 0 ;
0 en otros casos.
Son X y Y independientes?
Denicion. Sean X y Y, v.as discretas, con funcion de probabilidad conjunta
p(x, y) y respectivas funciones marginales p
X
y p
Y
. Se dene la funcion de
probabilidad condicional de X dada Y como
p
X|Y
(x | y) := P(X = x | Y = y)
=
p(x, y)
p
Y
(y)
,
siempre que p
Y
(y) > 0.
Denicion. Sean X y Y, v.as continuas, con funcion de densidad conjunta
f (x, y) y respectivas funciones marginales f
X
y f
Y
. Se dene la funcion de
densidad condicional de X dada Y como
f
X|Y
(x | y) :=
f (x, y)
f
Y
(y)
,
siempre que f
Y
(y) > 0.
Ejercicio. Tres monedas balanceadas son lanzadas independientemente . Una de
las variables de interes, X, es el n umero de soles. Otra variable, Y, registra las
ganancias que se obtienen de acuerdo al siguiente planteamiento: ganar $1, si la
primer moneda lanzada cae sol, $2 y $3 si el primer sol aparece en el segundo o
tercer lanzamiento, respectivamente. Si ning un sol aparece pierdes $1. Determina
i) La funcion de probabilidad conjunta de X y Y.
ii) La funci on marginal de las ganancias.
ii) La probabilidad de obtener tres soles dado que tus ganacias fueron de $1.
iv) Son independientes X y Y?
Ejercicio. La administracion de un establecimiento de comida rapida esta
interesado en el comportamiento conjunto del tiempo total que le toma a un
cliente desde que llega al lugar hasta que sale del mostrador de servicio,X, y el
tiempo en espera en la la hasta llegar al mostrador de servicio,Y. Se considera
que la funci on de densidad conjunta es
f (x, y) =
_
e
x
, si 0 y x < ,
0 , en otros casos ;
con el tiempo medido en minutos. Determina
i) P(X < 2, Y > 1), P(X Y 1).
ii) las funciones de densidad marginal de X y Y.
iii) la funci on de densidad condicional de X dado Y = y.
iv) la funcion de densidad condicional de Y dado X = x.
v) Son independientes X y Y?
Denicion. Sea g(X, Y) una funcion de las v. as X y Y.
Si las v.as son discretas con funcion de probabilidad conjunta p(x, y),
entonces el valor esperado de g(X, Y) es
E[g(X, Y)] =
x
g(x, y)p(x, y) .
Si las v.as son continuas con funcion de densidad conjunta f (x, y), entonces
el valor esperado de g(X, Y) es
E[g(X, Y)] =
_

g(x, y)f (x, y)dxdy .

Ejemplo. Las v.as X y Y tienen la funcion de probabilidad conjunta
X
Y 0 1 2
0 1/9 2/9 1/9
1 2/9 2/9 0
2 1/9 0 0
Calcula
i) E[X].
ii) E[XY].
Ejemplo. Sean X y Y v. as con funcion de densidad conjunta
f (x, y) =
_
e
(x+y)
, si x > 0, y > 0 ,
0 , en otros casos .
Calcula
i) las funciones marginales de densidad ,
ii) P(X < 1, Y > 5) ,
iii) P(1 < X < 2.5), P(1 < Y < 2.5) ,
iv) Si son independientes X y Y?
v) E[XY], E[X + Y] .
Denicion. Sean X y Y v. as con medias
X
y
Y
, respectivamente. La
covarianza de X y Y se dene como
Cov(X, Y) := E[(X
X
)(Y
Y
)] .
Teorema. Sean X y Y v. as con medias
X
y
Y
, respectivamente. Entonces
Cov(X, Y) = E[XY]
X

Y
.
Ejemplo. Para las v.as X y Y con funcion de probabilidad conjunta
X
Y 0 1 2
0 1/9 2/9 1/9
1 2/9 2/9 0
2 1/9 0 0
Calcula Cov(X, Y).
Ejemplo. Sean X y Y v. as con funcion de densidad conjunta
f (x, y) =
_
e
(x+y)
, si x > 0, y > 0 ,
Calcula Cov(X, Y).
Teorema. Sean X y Y v. as independientes, entonces
i)
E[XY] = E[X] E[Y] .
ii)
Cov(X, Y) = 0 .
Contraejemplo. Considera las v.as X y Y con funcion de probabilidad conjunta
Y
X -2 -1 1 2
1 0 1/4 1/4 0
4 1/4 0 0 1/4
Se tiene que Cov(X, Y) = 0, pero X y Y no son independientes.
Denicion. Sean X y Y v. as con medias
X
,
Y
, y varianzas
2
X
,
2
Y
,
respectivamente. La correlacion,
XY
, entre X y Y esta dada por
XY
=
Cov(X, Y)
X

Y
.
Teorema. El coeciente de correlacion
XY
de dos v.as X y Y se encuentra
entre -1 y 1, inclusive.
Consideremos el caso particular de que
g(X, Y) := X + Y ,
entonces
i)
E[X + Y] = E[X] + E[Y] ,
ii)
Var[X + Y] = Var[X] + Var[Y] + 2 Cov(X, Y) .
En general
E
_
n
i
X
i
_
=
n
i
E[X
i
] y Var
_
n
i
X
i
_
=
n
i
Var [X
i
] + 2
i <j
Cov(X
i
, X
j
) .
En caso de que las variables sean independientes a pares se tiene
Var
_
n
i
X
i
_
=
n
i
Var [X
i
] .
La funci on generadora de momentos
P
i
X
i
(t) = E
_
e
t
(
P
i
X
i )
_
= E
_
i
e
tX
i
_
=
i
E
_
e
tX
i
X
i
(t)
Ejemplo. Sean Y
i
, i = 1, 2, v.as con funciones generadoras de momentos
i
(t),
respectivamente. Sean a
i
R, i = 1, 2. Deniendo U =
2
i =1
a
i
Y
i
, entonces
demuestra que
U
(t) =
2
i =1
i
(a
i
t).
Ejemplo. Sean Y
i
pois(
i
), i = 1, 2 e independientes.
i) Demuestra que Y
1
+ Y
2
pois(
1
+
2
).
ii) Los clientes se presentan a una tienda comercial de acuerdo a una
distribucion de Poisson con media de 7 por hora. En un periodo de dos horas,
cual es la probabilidad de que 20 o mas clientes se presenten?
Ejemplo. Sean Y
i
exp(), i = 1, 2 e independientes.
i) Demuestra que Y
1
+ Y
2
gama( = 2, ).
ii) El tiempo necesario para ajustar un auto obedece una distribucion
exponencial con media de 0.5 hr. Si dos automoviles esperan ser ajustados y
los tiempos de servicio son independientes, entonces cual es la probabilidad
de que el tiempo total de ambos ajustes sea mayor a 1.5 hrs?
Teorema. Sean Y
i

2
(1)
, i = 1, 2, . . . , n, independientes. Entonces
Y
1
+ Y
2
+ + Y
n

2
(n)
.
Denicion. Sean X y Y v. as. La esperanza condicional de g(X), dado que
Y = y, se dene
E[g(X) | Y = y] =
_

g(x)f
X|Y
(x | y)dx ,
si X y Y son continuas, o
E[g(X) | Y = y] =
x
g(x)p
X|Y
(x | y) ,
si X y Y son discretas.
Ejemplo. Tres monedas, con valores de $1, $5 y $10, son lanzadas. Se denen las
variables X: ganancias, de acuerdo al n umero de soles que aparecen y Y: n umero
de soles. Determina
i) la funcion de probabilidad conjunta,
ii) E[X | Y = 2],
iii) E[X | Y].
Ejemplo. Sean X y Y v. as con funcion de densidad conjunta dada por
f (x, y) =
_
k(1 y) , si 0 x y 1 ,
0 , otros casos.
Determina
i) el valor de k que la haga funcion de densidad.
ii) P(X 3/4, Y 1/2).
iii) E[X | Y].
Proposicion.
i)
E[X] = E[E[X | Y]] .
ii)
Var [X] = E[Var [X | Y]] + Var [E[X | Y]] .
Ejemplo. Las v.as Y
1
y Y
2
tienen distribucion conjunta
f (y
1
, y
2
) =
_
6(1 y
2
) , 0 y
1
y
2
1 .
0 , otros casos .
i) Determinar E[Y
1
| Y
2
= y
2
].
ii) Calcula E(Y
1
).
Ejemplo. Sea la v.a. Y
1
exponencial con media y la densidad condicional de Y
2
dado Y
1
= y
1
dada por
f (y
2
| y
1
) =
_
1/y
1
, 0 y
2
y
1
,
0 en otros casos .
Calcula E[Y
2
] y Var [Y
2
].
Teorema. Sean X y Y v. as continuas con funcion de densidad conjunta
f
XY
(x, y). Supongase que
u
1
= h
1
(x, y) , u
2
= h
2
(x, y) ;
representan una transformacion uno-a-uno de (x, y) a (u
1
, u
2
), con inversa
x = h
1
1
(u
1
, u
2
) , y = h
1
2
(u
1
, u
2
) ;
de clase C
1
(U
1
, U
2
) y matriz Jacobiana
J =
_
_
_
h
1
1
u
1
h
1
1
u
2
h
1
2
u
1
h
1
2
u
2
_
_
_
.
Entonces la densidad conjunta de U
1
y U
2
, f
U
1
U
2
(u
1
, u
2
), esta dada por
f
U
1
U
2
(u
1
, u
2
) = f
XY
(h
1
1
(u
1
, u
2
), h
1
2
(u
1
, u
2
))|det J| .
Ejemplo. Sean X y Y v. as independientes distribuidas exponencialmente, con
parametro . Se dene la transformacion T, mediante
U
1
=
X
X + Y
, U
2
= X + Y .
i) Establece la funcion de densidad conjunta de (U
1
, U
2
), es decir, f
U
1
U
2
.
ii) Demuestra que U
1
unif (0, 1).
iii) Demuestra que U
2
gamma ( = 2, ).
iv) Son U
1
y U
2
independientes?
Ejemplo. Sean X y Y v. as independientes e identicamente distribuidas,
unif (0, 1), y la transformaci on T dada por
U
1
= X + Y , U
2
= X Y .
Establece
i) la funcion de densidad conjunta de U
1
y U
2
,
ii) las funciones de densidad marginales de U
1
y U
2
,
iii) si son U
1
y U
2
independientes.
Ejercicio. Sean X
i
gamma(, ), i = 1, 2 e independientes.
i) Considera la transformacion dada por
Y
1
= X
1
+ X
2
y Y
2
=
X
1
X
1
+X
2
.
Prueba que |det J| = y
1
.
ii) Demuestra que
f
Y
1
,Y
2
(y
1
, y
2
) =
y
1
2
(1 y
2
)
1
()()
y
+1
1
e
y
1
,
para 0 < y
1
< , 0 < y
2
< 1 y 0 en otros casos.
Nota que f
Y
1
,Y
2
(y
1
, y
2
) = H(y
1
)G(y
2
). Indica las funciones H(y
1
) y G(y
2
).
iii) Multiplicando f
Y
1
,Y
2
(y
1
, y
2
) por
1 =
( +)
( +)
,
deduce
f
Y
2
(y
2
) =
_
_
( +)
()()
y
1
2
(1 y
2
)
1
, 0 < y
2
< 1 ,
Es la densidad de la distribucion beta, con parametros y .
iv) De acuerdo a lo obtenido en (ii) y (iii) concluye que Y
1
gamma( +, 1).
Ejercicio. Sean Z norm(0, 1) y X
2
v
, independientes.
i) Muestra que
f
Z,X
(z, x) =
1
2
e
z
2
2
x
v/21
e
x/2
2
v
2
(v/2)
,
para < z < , 0 < x < y 0 en otros casos.
ii) Considera la transformacion dada por
Y =
Z
X/v
y W = X ,
y prueba que |det J| =
_
w/v .
iii) Demuestra que
f
Y,W
(y, w) =
w
(v+1)/21
e
w
2
(1+
y
2
v
)
v2
v+1
2
(
v
2
)
,
para < y < , w > 0.
iv) Identicando
=
v+1
2
y =
1
2
(1 +
y
2
v
) ,
multiplica f
Y,W
(y, w) por
()
()
,
para obtener
f
Y,W
(y, w) =
()
v2
(
v
2
)
w
1
e
w
()
.
v) Integra adecuadamente para demostrar que
f
Y
(y) =
(
v+1
2
)
v(
v
2
)
_
1 +
y
2
v
_
v+1
2
.
La funcion corresponde a la densidad de la distribucion T.

Dis Tri Buci Ones Biva Riad As

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Dis Tri Buci Ones Biva Riad As

Diunggah oleh

Hak Cipta:

Format Tersedia

Distribuciones aleatorias bivariadas.

Dr. Marco A. Macas Cede no .

f (x, y)dy & f

g(x, y)f (x, y)dxdy .

Anda mungkin juga menyukai