Apunte Variables Aleatorias

APUNTES DEL CURSO
PROBABILIDADES Y ESTADISTICA
Profesor:
DRA. SONIA SALVO GARRIDO
2015-2 UNIVERSIDAD DE LA FRONTERA

Unidad 1
Vectores aleatorios
1.1. Vectores aleatorios bivariados
En el captulo anterior, se estudiaron las caractersticas de una variable aleatoria desde un

enfoque unidimensional. Ahora se estudiaran estas caractersticas desde un enfoque bidimensio-
nal, donde se organizan las variables en arreglos matematicos formando vectores de naturaleza
aleatoria y posteriormente, como una extension al caso multivariado. El punto de partida es la
definicion de una variable aleatoria bidimensional o, si se lo considera como un ente matematico,
vector aleatorio. Posteriormente se analizaran las propiedades conjuntas y univariadas de las
componentes del vector.
Definicion 1.1 (Vector aleatorio) La variable aleatoria pX1 , X2 qT es llamada un vector alea-
torio si y solo si cada uno de sus componentes es una variable aleatoria.

X X1
X2
: R2
Observacion 1.1 Las variables aleatorias bidimensionales se clasifican en: discretas (si X1 y X2
son variables aleatorias discretas), continuas (si X1 y X2 son variables aleatorias continuas) y
mixtas (si una variable aleatoria es discreta y la otra continua).
1
2 1.1. Vectores aleatorios bivariados
1.1.1. Variables aleatorias bidimensionales continuas
Definicion 1.2 Sea pX1 , X2 qT variable aleatoria bidimensional continua. La funcion de densidad
conjunta asociada a esta variable aleatoria bidimensional, denotada por f px1 , x2 q, es una funcion
real valuada que cumple con las siguientes condiciones
(a) f px1 , x2 q 0 @ px1, x2qT P RecpX ,X q R2

1 2
T

(b) f px1 , x2 q dx1 dx2 1
RecX1 ,X2
Para calcular probabilidades, se debe tener en cuenta que el espacio ahora es R2 , por lo
que corresponde el calculo mediante integrales dobles (caso continuo) o doble sumatoria (caso
discreto). Si bien la definicion es aplicable para el caso discreto y hay problemas de aplicacion
que se pueden enfrentar mediante distribuciones bivariadas discretas, este texto principalmente
utiliza ejemplos para el caso continuo.
Desde el punto de vista grafico, en este caso se trabaja con volumenes (3 dimensiones). Para
calcular probabilidades se trabajara con curvas de nivel en el plano (acotadas por la relacion
entre las dos variables aleatorias) y que estara acotado en la tercera dimension por f px, y q, para
obtener ese volumen es necesario utilizar integrales dobles.
Ejemplo 1.1 Considerar pX1 , X2 qT una variable aleatoria bidimensional continua con f px1 , x2 q
exp tx1 x2 u, x1 0, x2 0.
(a) Verificar que f px1 , x2 q es funcion de densidad.
(b) Calcular (b.1) PpX1 2, X2 5q, (b.2) PpX1 X2q y (b.3) PpX1 X2 1q.
Solucion: (a.1) f px1 , x2 q ex1 x2 0. (a.2):

88 8 8
ex1 x2 dx1 dx2 ex1 ex2 dx
2 dx1
0 0 0 0
8
p1q ex1 dx1 p1q 1
0
Probabilidades y Estadstica 2015-2

1. Vectores aleatorios 3
(b.1) La probabilidad pedida se obtiene como

88
PpX1 2, X2 5q ex1 x2 dx1 dx2
28 5
8
e x1 ex2 dx2 dx1
2 5
8
e5 ex1 dx1
2
e5e2 e7
(b.2) La probabilidad esta dada por
8 x1
Pp X 1 X2 q ex1 x2 dx1 dx2
08 0
x1
e x1 ex2 dx 2 dx1
0 0
8
ex1 p1 ex1 q dx1
08
pex e2x q dx1
1 1
1 0,5 0,5
(b.3) Finalmente, se puede calcular
18 88
PpX1 X2 1q ex1 x2 dx1 dx2 ex1 x2 dx1 dx2 .
0
1 x1 1 0
Una forma alternativa de obtener este ultimo resultado es mediante

1 1x1
PpX1 X2 1q 1 ex1 x2 dx1 dx2 .
0 1
Los graficos para el punto (b) para la region de integracion se presentan a continuacion
(b.1) (b.2) (b.3)

x2 x2 x2
x2 = x1 x2 = x1
5 1
x2 = 1 - x1
2 x1 x1 1 x1

Funcion de densidad marginal
Definicion 1.3 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de probabilidad con-
junta conocida f px1 , x2 q. La funcion de densidad marginal de la variable aleatoria X1 esta definida
por

fX1 px1 q f px1 , x2 q dx2
RecX2

fX2 px2 q f px1 , x2 q dx1 .
RecX1
Ejemplo 1.2 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de probabilidad
f px1 , x2 q x21 , 0 x1 1, 0 x2 2.
x1 x2
3
Se pide determinar la funcion de densidad marginal de X1 y X2 .
Solucion: (a) Densidad marginal de X1

2
fX1 px1 q px21 q dx2
x 1 x2
0 3

x 2
x1 x22 2
x21 x2
3 x2 0
2x21 2
3
x1 , 0 x1 1.
f px1 q es efectivamente funcion de densidad de X1 . En efecto
1 1
fX1 px1 q dx1 2
2x21 x1 dx1
0 0 3

1
1 2
2 3
x
3 1
x
3 1 0
1.
(b) Densidad marginal de X2 :
1
fX2 px2 q px21 q dx1
x1 x2
0 3

x 1
x31 x21 x2 1

3 6 x1 0
31 1
6
x2 , 0 x2 2.

f px2 q es efectivamente funcion de densidad de X2 , pues

2 2
fX2 px2 q dx2 1 1
x2 dx2
0 0 3 6

2
1 2
1
3
x2 x
12 2 0
1.
Ejemplo 1.3 Encontrar las funciones de densidad marginal a partir de la funcion de densidad
bivariada
(a) f px1 , x2 q ex1 x2 , x1 0, x2 0.

(b) f px1 , x2 q ex1 , 0 x2 x1 .
Solucion: (a) Densidad marginal de X1

8
fX1 px1 q ex1 x2 dx2
0
8
ex1 ex2 dx2
0
ex1 , x1 1
Densidad marginal de X2 :
8
fX2 px2 q ex1 x2 dx1
0
8
ex2 ex1 dx1
0
ex 2
, x2 1.
(b) Densidad marginal de X1

x1
fX1 px1 q ex1 dx2
0

ex x2x01 1
x1ex , x1 0
1

Densidad marginal de X2
8
fX2 px2 q ex1 dx1
x2

ex 8x 1
2
ex , x2 0
2
Otro de los conceptos importantes que surgen a partir del analisis bivariado es el de Inde-
pendencia entre dos variables aleatorias. Lo que interesa determinar es si los cambios que se
producen en una variable aleatoria X afectan o son consecuencia de los cambios en otra variable
aleatoria Y ; si es as se habla de que existe relacion o correlacion entre las variables X y Y , en
caso contrario se dice que las variables aleatorias son independientes o que no hay correlacion
entre ellas (o es marginal).
Definicion 1.4 (Independencia de variables aleatorias bivariadas) Las variables aleatorias

X1 y X2 son independientes si y solo si
fX1 ,X2 px1 , x2 q fX1 px1 q fX2 px2 q
Funcion de densidad condicional
Definicion 1.5 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de densidad conjunta
f px1 , x2 q. La funcion de densidad condicional de la variable aleatoria X1 dado un valor fijo de
X2 , digamos X2 x2 esta definida por
f px1 , x2 q
fX1 |X2 x2 px1 q
fX2 px2 q
.
Analogamente se define la funcion de densidad condicional de la variable aleatoria X2 dado

un valor fijo de X1 x1
f px1 , x2 q
fX2 |X1 x1 px2 q
fX1 px1 q
Observacion 1.2 Las funciones de densidad condicional son funciones de probabilidad, por tanto
son positivas y la integral de la funcion en el recorrido es 1.

Ejemplo 1.4 Sea f px1 , x2 q ex1 , 0 x2 0y

x1. Ademas se sabe que fX px1q x1ex 1
1
x1
fX px2 q ex , x2 0. Determinar las funciones de densidad condicional asociadas a X1 | X2
2
2
x2 y X 2 | X 1 x1
Solucion: Las funciones de densidad condicional estan dadas por la Definicion 1.5. As,
x
(a) fX1 |X2 x2 px1 q eex12 ex 1 x2
, x1 x2, donde x2 es un valor fijo.
ex1
(b) fX2 |X1 x1 px2 q x1 ex1
x1 , x2 x1, donde x1 es un valor fijo.
1
Se puede probar que ambas funciones son densidades para las variables aleatorias. En efecto,
8 x1 8
fX1 |X2 x2 px1 q dx1 ex1 x2
e 1 1.
dx1 x2 e
x2 x
x1 x 2
x2
fX2 |X1 x1 px2 q dx2 dx2 1.
1
1
0 x1 x 1 0
Observacion 1.3 Desde la Definicion 1.4 y la Definicion 1.5 es facil probar que si X1 y X2 son
variables aleatorias independientes, entonces:
(a) fX1 |X2 px1 q fX1 px1 q
(b) fX2 |X1 px2 q fX2 px2 q
Valor esperado de un vector aleatorio
Definicion 1.6 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de densidad conjunta
f px1 , x2 q. Sea G una funcion real valuada definida sobre pX1 , X2 qT (G : R2 R). El valor
esperado de GpX1 , X2 q es dado por la siguiente expresion:

E rGpX1 , X2 qs GpX1 , X2 qf px1 , x2 q dx2 dx1
R
Ejemplo 1.5 Sea la funcion de densidad bivariada f px1 , x2 q 6p1 x1 x2q, 0 x2 1 x1,
x1 0 y sea GpX1 , X2 q X12 X2 . Obtener una expresion para E rGpX1 , X2 qs.

1 1x1
Solucion: E rGpX1 , X2 qs x21 x2 6p1 x1 x2 q dx2 dx1 601 .
0 0
Ejemplo 1.6 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de probabilidad con-
junta f px1 , x2 q exp tx1 1x2u, x1 0, x2 0 y constante positiva. Calcular el valor
esperado de
(a) G1 pX1 , X2 q X1 X2 .
(b) G2 pX1 , X2 q X1 .
(c) G3 pX1 , X2 q exp tt pX1 X2 qu.
Solucion: (a) Valor esperado de X1 X2

88 ! )
E r X1 X2 s x1 x2 exp x1 x2 dx2 dx1
0
8 0
8 ! x )
x1 ex1
2
x2 exp dx2 dx1
0 0
8 8 ! x )
x1 ex1 exp
x2 2
dx2 dx1
0 0
8
(
donde 1 x2 exp 1x2 dx2 E rX2s y X2 Exppq. As E rX2s , luego:
0
8
x1 ex1 dx1
0
8
donde x1 ex1 dx1 E rX1s y X1 Expp1q. As E rX1s 1, luego:
0
E r X1 X 2 s 1 1.
(b) Valor esperado de X1

E rX 1 s x1 f px1 , x2 q dx1 dx2
88
(
x1 exp x1 x21 dx2 dx1
0
8 0
8
1 x2 1
x1 ex1 e dx2 dx1
0 0

8
(
donde
1

exp x21 dx2 1, pues es la integral en su recorrido de X2 Exppq. Luego:
0
8
x1 ex1 dx1
0
8
(
donde x1 exp 1x1 E rX1s donde X1 Expp1q. As E rX1s 1, finalmente:
0
E r X1 s 1 .
(c) Valor esperado de exp tt pX1 X2 qu

E rexp tt pX1 X2 qus exp tt pX1 X2 qu f px1 , x2 q dx1 dx2
88
(
exp tt pX1 X2 qu exp x1 1x2 dx2 dx1
0
8 0
8
1
e ex1
tx1
e e x2 dx2 dx1 tx2
0 0
8 8
tx1 x1 tx2 1 x2 1
e e e e dx dx

2 1
0 0
donde 8
1 expttx2 u expt1 x2 u dx2 E rexpttx2us MX ptq 2
0
y
X2 Exppq MX ptq p1 tq1,
2 luego:
8
p1 tq1 etx1 x1 ex1 dx1
0
donde 8
expttx1 ux1 exptx1 u dx1 E rexpttx1us MX ptq 1
0
y
X1 Expp1{q MX ptq p1 t q1. Finalmente,
1
E rexp tt pX1 X2 qus

1
p1 tqp1 t

q.
Propiedad 1.1 Sean las variables aleatorias X1 y X2 , se define la Covarianza entre X1 y X2

(denotada por Cov pX1 , X2 q) por:
Cov pX1 , X2 q E rX1 X2 s E rX1 sE rX2 s
Ejemplo 1.7 Del Ejemplo 1.6, tena que E rX1 X2 s 1; E rX1s 1 y E rX2s . Entonces la
expresion para la covarianza entre X1 y X2 es
Cov pX1 , X2 q 1 1 0.
Coeficiente de correlacion
Definicion 1.7 Sea el vector aleatorio pX1 , X2 qT se define el coeficiente de correlacion lineal
entre las variables aleatorias X1 , X2 , denotado por pX1 , X2 q, tambien llamado Coeficiente de
correlacion de Pearson, por la expresion siguiente
Cov pX1 , X2 q
pX1 , X2 q a 11
V arpX1 qV arpX2 q
Propiedad 1.2 Si X1 y X2 son variables aleatorias independientes, entonces
E r X 1 X2 s E r X 1 s E r X 2 s .
Demostracion: Considerando el valor esperado de X1 X2 , se tiene

E r X1 X 2 s x1 x2 f px1 , x2 q dx2 dx1
R
Como X1 y X2 son variables aleatorias independientes, entonces f px1 , x2 q f px1 q f px2 q. As

E r X1 X 2 s x1 x2 f px1 qf px2 q dx2 dx1
R

x1 f px1 q x2 f px2 q dx2 dx1


donde x2 f px2 q dx2 E rX2s. Luego

E r X1 X 2 s E r X 2 s x1 f px1 q dx1
E r X 1 s E r X2 s .
Observacion 1.4 A continuacion se presentan algunos resultados de interes respecto del valor
esperado y la covarianza entre variables aleatorias independientes
1. El resultado anterior se puede generalizar al caso en que se desee determinar el valor

esperado de G1 pX1 q G2 pX2 q, donde las variables aleatorias X1 y X2 son independientes.
En tal caso se puede demostrar que
E rG1 pX1 q G2 pX2 qs E rG1 pX1 qs E rG2 pX2 qs .
2. Si X1 y X2 son variables aleatorias independientes, entonces Cov pX1 , X2 q 0. Pues

Cov pX1 , X2 q E rX1 X2 s E rX1 sE rX2 s y por independencia E rX1 X2 s E rX1 s E rX2 s.
Propiedad 1.3 Sean X1 y X2 variables aleatorias, entonces se cumple que
V arpX1 X2 q V arpX1 q V arpX2 q 2 Cov pX1 , X2 q.
Demostracion: Para la varianza de la diferencia de variables aleatorias (analogo para la suma)

V arpX1 X2 q E pX1 X2q2 pE rX1 X2sq2

E rX12 X22 2X1X2s pE rX1sq2 pE rX2sq2 2E rX1sE rX2s
E rX12s E rX22s 2 E rX1X2s pE rX1sq2 pE rX2sq2 2E rX1sE rX2s

E rX12s pE rX1sq2 E rX22s pE rX2sq2 2 pE rX1X2s E rX1sE rX2sq
donde E rXi2 s pE rXi sq2 V arpXiq y E rX1X2s E rX1 sE rX2 s Cov pX1 , X2 q. As:
V arpX1q V arpX2 q 2 Cov pX1 , X2 q

1.1.2. Esperanza y Varianza de Distribuciones condicionales
Definicion 1.8 (Esperanza y Varianza condicional) Sean X1 y X2 variables aleatorias y

sean X1 | X 2 x2 la variable aleatoria condicional de X1 dado un valor fijo x2 de la varia-
ble aleatoria X2 y X2 | X1 x1 la variable aleatoria condicional de X2 dado un valor fijo x1 de
la variable aleatoria X1 . Luego se tiene que

p1q E r X1 | X2 x2 s x1 fX1 |X2 x2 px1 q dx1

E r X2 | X1 x1 s x2 fX2 |X1 x1 px2 q dx2 .
p2q V arpX1 | X2 x2q E rX12 | X2 x2s pE rX1 | X2 x2sq2

V arpX2 | X1 x1 q E rX22 | X1 x1 s pE rX2 | X1 x1 sq2 .
Ejemplo 1.8 Sea f px1 , x2 q ex , 0 x2 x1 8 la funcion de densidad conjunta de

1
pX1, X2q y sea fX |X x px1q exptx2 x1u, x2 x1 8, con x2 un valor fijo. Se determinara
1 2 2
la esperanza y la varianza de X1 | X2 x2 .
8
E r X1 | X2 x2 s x1 fX1 |X2 x2 px1 q dx1
x2
8
x1 ex2 x1 dx1
x2
8
e x2
x1 ex1 dx1
x2
1 x2 .
Para obtener la varianza se utiliza la definicion 1.8, para lo cual es necesario obtener
8
Er X12 | X 2 x2 s x21 fX1 |X2 x2 px1 q dx1
x
8
2
x21 ex2 x1 dx1

x2
8
e x2
x21 ex1 dx1
x2
2 2x2 x22 .

Finalmente, la varianza es
V arpX1 | X2 x2 q 2 2x2 x22 p1 x2 q2
2 2x2 x22 1 2x2 x22 1.
Propiedad 1.4 Sean X1 y X2 variables aleatorias y sean X1 | X2 x2 la variable aleatoria

condicional de X1 dado un valor fijo x2 de la variable aleatoria X2 . Se tienen los siguientes
resultados
(a) E rE rX1 | X2 ss E rX1 s.
(b) V arpX1 q E rV arpX1 | X2 qs V arpE rX1 | X2 sq.
Demostracion: (a) Valor esperado del valor esperado condicional

E rE rX1 | X2 ss E rX 1 | X 2 x2sfX px2q dx2
2
x1 fX1 |X2 px1 qdx1 fX2 px2 q dx2

x1 f px1 , x2 q dx1 dx2 E r X1 s
(b) Varianza marginal como funcion de distribuciones condicionales
E rV arpX1 | X2 qs E rE rX12 | X2 s pE rX1 | X2 sq2 s
E rE rX12 | X2ss E rpE rX1 | X2sq2s

E rX12s E rpE rX1 | X2sq2s
V arpE rX1 | X2 sq E rpE rX1 | X2 sq2 s pE rE rX1 | X2 ssq2
E rpE rX1 | X2sq2s pE rX1sq2
Finalmente se obtiene
E rV arpX1 | X2 qs V arpE rX1 | X2 sq E rX12 s pE rX1 sq2 V arpX1q.

Observacion 1.5 Sea GpXi q funcion de la variable aleatoria Xi , i 1, 2 y sean X1 | X2 x2 la

variable aleatoria condicional de X1 dado un valor fijo x2 de la variable aleatoria X2 . Se tiene
que
E rE rGpX1 | X2 qss E rGpX1 qs.
Resultado usado en la demostracion anterior.
Observacion 1.6 Note que para los resultados expresados en la Propiedad 1.4, se obtienen re-
sultados analogos para X2 | X1 .
1.1.3. Transformaciones de variables aleatorias
En ocaciones el tratamiento analtico de distribuciones de variables aleatorias bivariadas

genera complicaciones. En estos casos se puede recurrir a transformaciones que permitan resolver
el problema, estas implican cambios en el espacio donde esta definida la funcion de densidad por
medio de la funcion que define la transformacion. As, es necesario recurrir a herramientas de
algebra lineal donde se definen las condiciones y el algoritmo de resolucion.
Definicion 1.9 Sea pX1 , X2 qT una variable aleatoria bivariada con funcion de densidad f px1 , x2 q
y sea ademas la nueva variable aleatoria bivariada pY1 , Y2 qT tal que:
pY1, Y2qT pG1pX1, X2q, G2pX1, X2qqT .

G1pX1, X2q y Y2 G2pX1, X2q. Donde G1 y G2 son transformaciones continuas
Es decir: Y1
que admiten derivadas parciales. Entonces, la funcion de densidad conjunta de pY1 , Y2 qT esta
dada por
fY1 ,Y2 py1 , y2 q fX1 ,X2 pG 1
1 py1 , y2 q, G2 py1 , y2 qq |J |
1
(1.1)
Donde |J | es el valor absoluto del Jacobiano, que es el determinante de una matriz construida
con las derivadas parciales de la transformacion definida por

B G1 py1 , y2 q B G1 py1 , y2 q
J By1 By2 1
1
B G1 py1 , y2 q B G1 py1 , y2 q
By1 2 By2 2
Observacion 1.7 Notar que si X1 y X2 son variables aleatorias independientes, entonces la ecua-
cion 1.1 se puede escribir como
fY1 ,Y2 py1 , y2 q fX1 pG 1

1 py1 , y2 qqfX2 pG2 py1 , y2 qq |J | .
1
! )
Ejemplo 1.9 Sea f px1 , x2 q ?1 exp x 2x P R, x2 0 y considerar la transformacion
2
2
2 x2
1
, x1
dada por
Y1 ?XX1 y Y2 X2
2
Determinar la funcion de densidad conjunta de la variable aleatoria bivariada pY1 , Y2 qT .
Solucion: Desde la transformacion solicitada se puede obtener x1 py1 , y2 q y x2 py1 , y2 q y pos-

teriormente el Jacobiano de la transformacion
y1 ?xx1 x1py1, y2q y1?y2 y2 x2 x2py1, y2q y2.

2

?y
|J | ?y2 .
?
y1
J 2 2 y2
0 1
Finalmente la funcion de densidad conjunta de pY1 , Y2 qT esta dada por:
?
fY1 ,Y2 py1 , y2 q fX1 ,X2 py1 y2 , y2 q
?y
2
" *
2?y 1
exp y12 y2 y2 ?y
2
2 2
" *
y12 y2
1
2
exp 2 y2
, y1 P R, y2 0.
Ejemplo 1.10 Sea Xi 21, i 1, 2 variables aleatorias independientes. Encontrar la funcion de

probabilidad de la nueva variable aleatoria bivariada pY1 , Y2 qT dada por la transformacion

T
pY1, Y2q T
X1
X1
X2
, X2

?2 xi 1 exp x2 , xi 0, i 1, 2 y por
(
Solucion: Si Xi 21 entonces fXi pxi q i
independencia se tiene que la funcion de densidad conjunta de pX1 , X2 qT esta dada por
! x x2 )
fX1 ,X2 px1 , x2 q px1 x2 q 2 exp 0, 0
1 1 1
, x1 x2
2 2
Luego, x1 py1 , y2 q, x2 py1 , y2 q y el Jacobiano de la transformacion estan dados por
y1 x x1
x2
x1py1, y2q 1y1yy2 y y2 x2 x2py1, y2q y2
1 1

y2 y1
J p q2
1 y1
1 y1 |J | p1 y2y q2 .
0 1 1
Finalmente la funcion de densidad conjunta de pY1 , Y2 qT esta dada por:

fY1 ,Y2 py1 , y2 q fX1 ,X2 p1 y2y q2

y1 y2
1 y1
, y2
1

1 "
*
y1 y22
1
exp
y1 y2 y2
y2
2
2 1 y1 2p1 y1 q 2 p1 y1q2
"
*
1
a
1
2 y1 p1 y1 q3
exp
y1 y2
2p1 y1 q
y2
2
, y2 0 , 0 y1 1.
1.1.4. Algunas distribuciones de probabilidad construidas a traves

de transformaciones bivariadas
En esta seccion se presentan algunas distribuciones de probabilidad generadas a partir de

transformaciones bivariadas. Es decir, se obtiene una nueva variable aleatoria desde la definicion
de una operacion entre variables aleatorias, para obtener la distribucion de la nueva variable
aleatoria se puede utilizar la f gm (en casos aditivos), pero en casos multiplicativos se puede
aplicar la tecnica de transformacion de variables aleatorias considerando un vector bivariado y
luego calculando la funcion de densidad marginal para la variable de interes.
Distribucion Chi-cuadrado
Propiedad 1.5 Sea una variable aleatoria Z N p0, 1q entonces la nueva variable aleatoria X
Z 2 sigue una distribucion Chi-cuadrado con 1 grado de libertad, denotado por X 2 p1q.

Ademas, si se tiene X1 y X2 variables aleatorias distribuidas Chi-cuadrado independientes

con n1 y n2 grados de libertad respectivamente. Entonces la variable aleatoria W X1 X2
distribuye Chi-cuadrado con n1 n2 grados de libertad, lo que se denota por:
W X1 X2 2pn1 n2 q.
Demostracion: Para mostrar que X 2p1q, se puede utilizar la funcion de distribucion,

pues F 1pxq f pxq
FX ptq PpX tq PpZ 2 tq

? ?
FZ t FZ t
Aplicando la derivada parcial respecto a t se tiene que
?
fX ptq ? fZ
1
t
t
" *
? exp 2 t ,
1 1
t 0.
2t
Por su parte, para demostrar que W 2pn1 n2 q se puede utilizar la f gm de la distribucion

chi-cuadrado. Es decir,
MW ptq E rexp ttpX1 X2 qus
E rexp tt X1us E rexp tt X2us

MX ptq MX ptq
1 2
Dado que X1 y X2 son independientes se tiene que
rMX ptqs21
p1 2tq 2
2 .
Donde la ultima expresion corresponde a la f gm de una variable aleatoria con distribucion

Chi-cuadrado con 2 grados de libertad.

Distribucion t-Student
Propiedad 1.6 Consideremos las variables aleatorias independientes Z N p0, 1q y Y 2pnq,

la nueva variable aleatoria T , dada por la expresion
T ? Z
,
Y n1
se dice que tiene una distribucion t-Student con n grados de libertad.
Demostracion: Para determinar la funcion de densidad de la distribucion t-Student, se utili-

zara una transformacion bivariada de pT, Z qT pT1, T2qT definida convenientemente por
T1 ? Z
y T2 Y
Y n1
luego se obtiene la funcion de densidad de pT1 , T2 qT y la funcion de densidad marginal de interes,
que en este caso es la asociada a T1 . Funcion de densidad de pT1 , T2 qT :
a
a z 1 z t1 t2 n1 y t2 y
t1
yn
?
t2 n1 hpt, y q a
J |J | t2 n1
0 1
Por otra parte, la funcion de densidad conjunta de pT, Y qT , que por ser variables aleatorias
independientes, es
" * ! y)
?1 exp
2
fZ,Y pz, y q fZ pz qfY py q z2 exp .
1
2 2 p n2 q
n
2 2
Finalmente la funcion de densidad conjunta de pT1 , T2 qT esta dada por

a a
fT1 ,T2 pt1 , t2 q fX1 ,X2 pt1 t2 n1 , t2 q t2 n1
"
*
? 1n2 n exp t22 t21
1 , t2 0, t1 0
22 p 2 q n
Luego, la densidad marginal de T1 es

8
fT1 pt1 q fT1 ,T2 pt1 , t2 q dt2
0

n
p n2 1 q
?n t21 2
1
8 t1 8.
p n2 q n
1 ,

Donde la ultima expresion corresponde a la funcion de densidad de una variable aleatoria

con distribucion t-Student con n grados de libertad.
Ejercicio propuesto 1.1 Demostrar que las expresiones para el valor esperado y varianza para
n
una variable aleatoria con distribucion T de Student estan dados por: 0 y n 2
, respectivamente.
Distribucion F de Fisher
Propiedad 1.7 Considerar las variables aleatorias independientes Xi 2n , i 1, 2. Se define

i
la variable aleatoria F por la expresion

1
1 n1
F X
X n1
,
2 2
se dice que sigue una distribucion F de Fisher con n1 y n2 grados de libertad (correspondientes
a los grados de libertad del numerador y denominador respectivamente).
Demostracion: La funcion de densidad de la distribucion F de Fisher se puede obtener de-

finiendo una transformacion bivariada y luego la distribucion marginal adecuada. En efecto,
sean
x1 n 1
y1 1
x2 n 1 x1 y1 y2 nn1 y y2 x2 .
2 2

n1
y hpt, y q
J n2 2 |J | y2 nn1 .
0 1 2
Por su parte la funcion de densidad conjunta de pY1 , Y2 qT , que por ser variables aleatorias
independientes, es
fX1 ,X2 px1 , x2 q fX1 px1 q fX2 px2 q
Donde
! x )
2
fXi pxi q 2 0.
1 ni
i
xi 2
exp xi
2 2 p n2i q
ni

20 1.2. Vectores aleatorios multivariados
Luego, la funcion de densidad conjunta de pY1 , Y2 qT esta dada por

fY1 ,Y2 py1 , y2 q fX1 fX py2q y2 nn1

n1
y1 y2 2
n2 2
"
*
1 1
1
exp
1 n1
0, 0.
n1 n1 n2
y1 y2 y1 1 y2 , y1 y2
2 2
n1 n2
n1
n2
2 2 2 n2
2 2
Finalmente, la funcion de densidad asociada a la distribucion F de Fisher corresponde a la

funcion de densidad marginal de Y1 . En efecto,
"
*
1 8 1
fY1 py1 q exp
1 n1 n1 n2
1 n1
y1 y2 y1 1 y2 dy2
2 2
n1 n2
n1
n2
2 2 0 2 n2
2 2
Luego, llevando la integral a una del tipo Gamma se puede obtener lo siguiente

n1 n2
1
n1
0.
n1
n1
2 n2
y1 1 y12 , y1
2
2
n2
Ejercicio propuesto 1.2 Como Y1 sigue una distribucion F de Fisher, utilizar la funcion de den-
sidad para demostrar que la esperanza y varianza estan dadas respectivamente por:
2 n22 pn1 n2 2q
n2 2
n2
, n2 2 y
n1 pn2 2q2 pn2 4q
, n2 4.
1.2. Vectores aleatorios multivariados
Esta seccion es una extension de vectores aleatorios bivariados considerando ahora un vector
de dimension pn 1q , cuyas componentes son variables aleatorias. La seccion comienza con
algunas definiciones acerca del espacio en que se construye la medida de probabilidad, la funcion
de densidad multivariada (y los elementos que pueden obtenerse a partir de la misma), para
luego llegar al concepto de muestra aleatoria que es el que permite dar el paso a la inferencia
estadstica y antes a las distribuciones muestrales.
Definicion 1.10 Sea un espacio muestral asociado a un experimento aleatorio. Se llamara vec-
tor aleatorio X a aquel vector cuyas componentes solo son variables aleatorias unidimensionales,

es decir, Xi , i 1, 2, , n, es una variable aleatoria en R y se denota por

X
1

X2
X
.. pX1, X2, , XnqT
.

Xn
Funcion de densidad conjunta
Definicion 1.11 Sea X pX1, X2, , XnqT un vector aleatorio. La funcion f : Rn R es

una funcion de densidad conjunta del vector aleatorio X si y solo si cumple con las siguientes
condiciones
(1) f px1 , x2 , , xn q 0 @px1, x2, , xnqT P Rn

(2) f px1 , x2 , , xn q dxn dxn1 dx1 1.
Ejemplo 1.11 Probar que la funcion asociada al vector aleatorio X pX1, X2, , XnqT es
funcion de densidad y esta dada por
# +
1
n
f px1 , x2 , , xn q p2 2 q exp 2 pxi q2 , xi P R, i 1, 2, , n.
n
2
2 i1
Donde P R y PR son constantes.
Solucion: Para que f pxq sea funcion de densidad debe cumplir con las dos condiciones dadas
por la definicion 1.11. En efecto
(1) f pxq 0

(2) Integral multivariada:

# +
8 8 8 1
n
p22q 1
2 exp 22 pxi q2
8 8 8
i 1
8 8 8
p22q p22q p22q
n
2
n
2
n
2
" 8* 8 " 8 * " *

exp 2 px1 q2 exp 21 2 px2 q2 exp 21 2 pxn q2 dxn dx1
1
2
8 " * 8 " *
2 n
p2 q 2 exp 22 px1 q
1 2
p2 q 2 exp 22 pxn q dxn
2 n 1 2
8 8
dx1
Notar que cada una de las n integrales a resolver corresponden a la funcion de densidad de
una distribucion normal. Luego, se tiene
1n 1.
Con lo que se tiene finalmente que f pxq es funcion de densidad de la variable aleatoria multiva-
riada X.
Funcion de densidad marginal multivariada
Se denotara fXj pxj q, j 1, , n a la funcion de densidad de la variable aleatoria Xj . La

obtencion de la funcion de densidad marginal desde un vector aleatorio multivariado es una
extension analoga al caso bivariado; dado que ahora se cuenta con n variables aleatorias, la
funcion de densidad de la j-esima variable aleatoria corresponde a la integral multivariada con
respecto a las restantes n 1 variables.
Distribucion e Independencia de componentes de un Vector aleatorio
Definicion 1.12 Sea X pX1, X2, , XnqT un vector aleatorio. Las n variables aleatorias que
componen este vector son variables aleatorias independientes si y solo si la funcion de densidad
conjunta puede ser escrita como

n
f px1 , x2 , , xn q fXj pxj q

j 1

Donde fXj pxj q es la funcion de densidad marginal de la variable aleatoria Xj , con j

1, 2, , n valor fijo.
Ejemplo 1.12 Desde el ejemplo 1.11, se probara que las variables aleatorias X1 , X2 , , Xn son
variables aleatorias independientes.
Solucion: Desde la Definicion 1.12 se establece que el producto de las n funciones de densidad
marginal debe ser igual a la funcion de densidad conjunta. En efecto, sea Xj la j-esima variable
aleatoria que compone el vector aleatorio X, es decir, j 1, 2, , n es un valor fijo; as
" * # n
+
fXj pxj q p2 q 2 exp
21
21 2 pxj q 2
p2 q n2 1 exp
2
21 2 px i q dxn dx1

i j
Donde cada una de las n 1 integrales es de la funcion de densidad de una variable aleatoria
con distribucion normal, por lo que son iguales a 1. Finalmente, se tiene que la funcion de
densidad marginal de Xj es
" *
fXj pxj q p2 q 2 exp 21 2 pxj q 8 xj 8
1
2 2
,
Dado que la expresion anterior es valida para j 1, 2, , n se puede probar que el producto
de las n funciones de densidad es igual a la funcion de densidad de la variable aleatoria multi-
variada X, con lo que se prueba que las variables aleatorias X1 , X2 , , Xn son independientes.
Es decir,
" *

n
n
fXj pxj q p2 q 21 exp
2
21 2 pxj q 2

j 1
j 1
# +
n 1
n
p22q 1
2 exp 2
2 j 1
p xj q2
# +
1
n
p2 q n2 exp2
22 pxj q 2
j 1
f px1, x2, , xnq.
Definicion 1.13 Sea X pX1, X2, , XnqT un vector aleatorio. Las variables aleatorias que
componen el vector aleatorio X: X1 , X2 , , Xn son llamadas identicamente distribuidas (id )

si y solo si cada una de estas tiene la misma distribucion con los mismos parametros (igual
valor). Adicionalmente, si las variables aleatorias identicamente distribuidas son independientes,
se habla de variables aleatoria iid .
Ejemplo 1.13 Sean las variables aleatorias X1 , X2 , , Xn independientes identicamente distri-

buidas y Xi Expp q. Se desea obtener la funcion de densidad conjunta de las n variables.
! )
Solucion: Como Xi Expp q (con i 1, 2, , n) entonces f pxiq 1 exp 1 xi , xi 0.
Por lo tanto, la funcion de densidad conjunta esta dada por
" *

n
n
f px1 , x2 , . . . , xn q fXj pxj q exp xj
1 1

j 1 j 1

n # +
1
n
1

exp xj .

j 1
Ejemplo 1.14 Sean las variables aleatorias X1 , X2 , , Xn son independientes y Xi N p, i2q,

para i 1, 2, , n. Probar que las variables no son identicamente distribuidas.
Solucion: Las variables aleatorias no son identicamente distribuidas pues el parametro de

la distribucion p, i2qT cambia para cada funcion marginal.
Definicion 1.14 Los componentes de un vector aleatorio definido por X pX1, X2, , XnqT
constituyen una muestra aleatoria si y solo si las n variables son
(1) Independientes
(2) Identicamente distribuidas
Ejemplo 1.15 Las variables aleatorias X1 , X2 , , Xn constituyen una muestra aleatoria, donde
Xi Binomialp1, pq. Determinar la funcion de densidad conjunta.
Solucion: La funcion de densidad conjunta es

n
n
f px1 , x2 , . . . , xn q fXj pxj q pxj p1 pq1xj

j 1
j 1
n
p j1 xj p1 pq nj1p1xj q
n x
n n x
p
j 1 j
p1 p q
j 1 j
.
Propiedad 1.8 Si X1 , X2 , , Xn son variables aleatorias independientes y si Y1 G1pX1q, Y2

G2 pX2 q, , Yn GnpXnq son nuevas variables aleatorias (funciones de las variables aleatorias
iniciales), entonces
E r Y1 Y2 Yn s E r Y1 s E r Y2 s E r Yn s .
Demostracion: Dado que las variables aleatorias Xi (i 1, 2, , n) son independientes,

entonces f pxq f px1 q f pxn q y ademas GpX q G1 pX1 q G2 pX2 q Gn pXn q. Luego se tiene
que

E rGpX qs Gpxq f pxq dx
Entonces

E r Y1 Y2 Yn s Gpxq f pxq dx

G1 pX1 q Gn pXn q f px1 q f pxn q dx1 dxn

G1 pX1 q f px1 q dx1 G2 pX2 q Gn pXn q f px2 q f pxn q dx2 dxn
E rY1s E rY2s E rYns.
Propiedad 1.9 Si X1 , X2 , , Xn son variables aleatorias, entonces la funcion generadora de

momentos de la nueva variable aleatoria Y ni1 Xi es dada por

n
(1) MY ptq MXi ptq, si X1 , X2 , , Xn son variables aleatorias independientes

i 1
(2) MY ptq rMXi ptqsn , si X1 , X2 , , Xn son variables aleatorias iid


Demostracion: (1) Si se asume que Gi pXi q E e t Xi , i 1, 2, , n, entonces por la
Propiedad 1.8 es inmediato el resultado. (2) Las variables X1 , X2 , , Xn son iid, entonces
MY ptq MX1 ptq MX2 ptq MXn ptq
rMX ptqsn i
Ejemplo 1.16 Sean X1 , X2 , , Xn una muestra aleatoria, donde Xi N p0, 1q. Determinar la
distribucion de las nuevas variables aleatorias

n
(a) Y Xi

i 1

n
(b) Y Xi2

i 1
(
Solucion: (1) X1 N p0, 1q MX ptq exp
1
1 2
2
t , ademas aplicando la Propiedad 1.8, se
tiene que
" *n " *
MY ptq t exp 21 t2 n
1 2
exp
2
" *
exp t 0 t n .
1 2
2
Esta ultima expresion corresponde a la f gm de una variable que sigue una distribucion
normal con valor esperado 0 y varianza 2 n. Entonces,

n
Y Xi N p0, nq

i 1
(2) En el ejercicio resuelto ??(b) del captulo ??, se comprobo que Z N p0, 1q T Z 2
2 p1q (Chi-cuadrado con un grado de libertad)
A partir de la f gm se tiene que

n
MY ptq rMT ptqs n
p1 2tq 12 p1 2tq n
2 .
La ultima expresion corresponde a la f gm de una variable aleatoria con distribucion Chi-

cuadrado con n grados de libertad.

1.2.1. Distribucion del promedio y varianza desde una muestra alea-

toria basada en distribucion normal
La distribucion del promedio y de la varianza muestral son elementos previos al Captulo de

estimacion de parametros. En este sentido, si bien el promedio como la varianza muestral son
elementos puntuales de una distribucion, se pueden entender como variables aleatorias toda vez
que el experimento de obtener una muestra aleatoria puede repetirse en las mismas condiciones
repetidas veces, puede obtenerse (teoricamente) un conjunto de valores puntuales que constituyen
las variables aleatorias.
Definicion 1.15 El promedio de una muestra aleatoria esta definido como la media aritmetica
de un conjunto de variables aleatorias y se fundamenta en el hecho que un experimento aleatorio
puede reproducirse bajo las mismas caractersticas. El promedio, denotado por Xn para Xi ,
i 1, 2, , n o simplemente por X, esta dado por la expresion

n
X n1 Xi .

i 1
La idea es obtener la distribucion de una nueva variable aleatoria que representa al prome-
dio. En efecto, a continuacion se presenta una propiedad mediante la cual se puede asociar la
distribucion de una muestra aleatoria, basada en una distribucion Normal, con los parametros
de la distribucion del promedio.
Propiedad 1.10 Sean X1 , X2 , , Xn una muestra aleatoria, donde Xi N p, 2q. La distribu-

cion de la nueva variable aleatoria X conocida como el promedio de la muestra aleatoria sigue
una distribucion Normal dada por
1
n
2
X n i1
Xi N ,
n
.

Demostracion: Por la Propiedad 1.14 y la Propiedad 1.9(b), se tiene que

# +
n
tT
MT ptq E e E exp t n1 Xi
i1
" *
n
E exp nt X1

n
MX1 nt
#
2 +n
exp
t
n

1
2
t
n
2
" *
1 2 2
exp t t
2 n
.
Esta ultima expresion corresponde a la distribucion de una variable aleatoria Normal con los
parametros pedidos.
Adicionalmente, se puede estandarizar la distribucion del promedio y calcular probabilidades

desde una distribucion normal estandar. Si llamamos X al promedio de una muestra aleato-
ria X1 , X2 , , Xn , donde Xi N p, 2q. La distribucion Z estandarizada se puede construir
mediante
Z Xb N p0, 1q.
2
n
Definicion 1.16 La varianza muestral, denotada por S 2 , basada en X1 , X2 , , Xn una muestra

aleatoria esta dada por la expresion

n
S2 n 1 1 pXi X q2.

i 1
Propiedad 1.11 Sea X1 , X2 , , Xn una muestra aleatoria donde Xi N p, 2q. Entonces la

variable aleatoria Y , que contiene la varianza muestral S 2 , tiene distribucion
Y n 2 1 S 2 Y 2pn 1q.
Demostracion: Para mostrar este resultado, hay que escribir una expresion equivalente a Y

de tal manera que aparezca y 2 . En efecto,

n1 1
n
Y 2 S2 pXi X q2
2 i1

n

12 pXi q pX q 2

i 1
n

12 pXi q2 pX q2 2pXi qpX q

i 1

n
n
n
12 pXi q2 pX q2 2pX q pXi q

i 1 i 1
i 1
n
Notar que en la ultima expresion pXi q nX n npX q. Con lo cual se tiene
i 1

n
12 pXi q2 npX q2

i 1
Finalmente, Y se puede reexpresar como

2
Y

n
Xi
X
2 .
n 2
1

i 1

Luego, analizando la ultima expresion

2
2
Xi Xi Xi
n
Xi N p, q
2
N p0, 1q p1q
2
2pnq

i 1

Efectuando un analisis similar al anterior, se puede obtener que

X
2 2p1q
n 2
1
Con lo cual finalmente se tiene que
Y 2pn 1q.
1.2.2. Distribucion del Mnimo y Maximo
Sean X1 , X2 , , Xn variables aleatorias independientes, donde Xi tiene funcion de densidad

fXi pxi q, se conoce como el Mnimo a la variable aleatoria mas pequena (en el sentido matematico
de la expresion) y al Maximo como la variable aleatoria de mayor valor. El mnimo y el maximo
se denotan respectivamente por

(a) M mn tX1, X2, , Xnu

(b) T max tX1, X2, , Xnu
Luego, conociendo la funcion de densidad de las variables aleatorias Xi es de interes cono-

cer la distribucion de la variable aleatoria M y T definidas anteriormente. Para tales fines a
continuacion se presenta una propiedad que permite solucionar esta inquietud.
Propiedad 1.12 La funcion de densidad de la variable aleatoria M y T , conocidas como el

Mnimo y el Maximo de las variables aleatorias X1 , X2 , , Xn , estan dadas por:
fT ptq n rFX1 ptqsn1 fX1 ptq (1.2)
fM pmq n r1 FX1 pmqsn1 fX1 pmq. (1.3)
Demostracion: (1.2) En este caso se tiene que
FT ptq P pT tq P pmax tX1, X2, , Xnu tq

P ptX1 tu X tX2 tu X X tXn tuq
Como las variables aleatorias Xi son independientes se tiene que
P pX1 tq P pX2 tq P pXn tq

FX ptq FX ptq FX ptq
1 2 n
Asumiendo que las variables aleatorias Xi son id, se tiene que
rFX ptqsn
1
Realizando la derivada parcial respecto a t, se tiene que
fT ptq n rFX1 ptqsn1 fX1 ptq.

(1.3) Para obtener la funcion de densidad del mnimo se tiene
FM pmq P pM mq P pmn tX1, X2, , Xnu mq

1 P pmn tX1, X2, , Xnu mq
1 P ptX1 mu X tX2 mu X X tXn muq
Como las variables aleatorias Xi son independientes, entonces
1 P pX1 mq P pX2 mq P pXn mq

1 p1 FX pmqq p1 FX pmqq p1 FX pmqq
1 2 n
Asumiendo que las variables aleatorias Xi son id
1 r1 FX pmqsn
1
Realizando la derivada parcial respecto a m
fM pmq n r1 FX1 pmqsn1 fX1 pmq.
Ejemplo 1.17 Sean X1 , X2 , , Xn una muestra aleatoria, donde Xi Expp q. Determinar la

funcion de densidad del mnimo y del maximo.
Solucion: Para obtener las funciones de densidad para las variables aleatorias se utiliza la
Propiedad 1.12. En efecto, dado que Xi Expp q se tiene que
" *
fXi pxq exp x , x 0
1 1

x " * " *
FXi pxq exp t dt 1 exp x , x0
1 1 1
0
Luego, la funcion de densidad del maximo es
" *n1 " *
fT ptq n 1 exp t 1 t , t0
1 1
exp

Por su parte la funcion de densidad del mnimo es
" *n1 " *
fM pmq n 1 1 exp m 1 m
1 1
exp

" *
n exp n m , m 0.

De los resultados obtenidos es inmediato que M Expp n q.

Apunte Variables Aleatorias

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Apunte Variables Aleatorias

Diunggah oleh

Hak Cipta:

Format Tersedia

APUNTES DEL CURSO

2015-2 UNIVERSIDAD DE LA FRONTERA

1.1. Vectores aleatorios bivariados

En el captulo anterior, se estudiaron las caractersticas de una variable aleatoria desde un

1.1.1. Variables aleatorias bidimensionales continuas

(a) f px1 , x2 q 0 @ px1, x2qT P RecpX ,X q R2

(a) Verificar que f px1 , x2 q es funcion de densidad.

Solucion: (a.1) f px1 , x2 q  ex1 x2 0. (a.2):

Probabilidades y Estadstica 2015-2

(b.1) La probabilidad pedida se obtiene como

Una forma alternativa de obtener este ultimo resultado es mediante

(b.1) (b.2) (b.3)

Probabilidades y Estadstica 2015-2

Funcion de densidad marginal

Solucion: (a) Densidad marginal de X1

Probabilidades y Estadstica 2015-2

f px2 q es efectivamente funcion de densidad de X2 , pues

(a) f px1 , x2 q  ex1 x2 , x1 0, x2 0.

Solucion: (a) Densidad marginal de X1

(b) Densidad marginal de X1

Probabilidades y Estadstica 2015-2

Definicion 1.4 (Independencia de variables aleatorias bivariadas) Las variables aleatorias

fX1 ,X2 px1 , x2 q  fX1 px1 q fX2 px2 q

Funcion de densidad condicional

Analogamente se define la funcion de densidad condicional de la variable aleatoria X2 dado

Probabilidades y Estadstica 2015-2

Ejemplo 1.4 Sea f px1 , x2 q  ex1 , 0 x2 0y

(a) fX1 |X2 px1 q  fX1 px1 q

(b) fX2 |X1 px2 q  fX2 px2 q

Valor esperado de un vector aleatorio

Probabilidades y Estadstica 2015-2

(c) G3 pX1 , X2 q  exp tt pX1 X2 qu.

Solucion: (a) Valor esperado de X1 X2

Probabilidades y Estadstica 2015-2

(c) Valor esperado de exp tt pX1 X2 qu

E rexp tt pX1 X2 qus 

Propiedad 1.1 Sean las variables aleatorias X1 y X2 , se define la Covarianza entre X1 y X2

Cov pX1 , X2 q  E rX1 X2 s E rX1 sE rX2 s

Propiedad 1.2 Si X1 y X2 son variables aleatorias independientes, entonces

Demostracion: Considerando el valor esperado de X1 X2 , se tiene

Como X1 y X2 son variables aleatorias independientes, entonces f px1 , x2 q  f px1 q f px2 q. As

Probabilidades y Estadstica 2015-2

1. El resultado anterior se puede generalizar al caso en que se desee determinar el valor

E rG1 pX1 q G2 pX2 qs  E rG1 pX1 qs E rG2 pX2 qs .

2. Si X1 y X2 son variables aleatorias independientes, entonces Cov pX1 , X2 q  0. Pues

Propiedad 1.3 Sean X1 y X2 variables aleatorias, entonces se cumple que

V arpX1  X2 q  V arpX1 q V arpX2 q  2 Cov pX1 , X2 q.

Demostracion: Para la varianza de la diferencia de variables aleatorias (analogo para la suma)

 V arpX1q V arpX2 q 2 Cov pX1 , X2 q

Probabilidades y Estadstica 2015-2

1.1.2. Esperanza y Varianza de Distribuciones condicionales

Definicion 1.8 (Esperanza y Varianza condicional) Sean X1 y X2 variables aleatorias y

p2q V arpX1 | X2  x2q  E rX12 | X2  x2s pE rX1 | X2  x2sq2

Ejemplo 1.8 Sea f px1 , x2 q ex , 0 x2 x1 8 la funcion de densidad conjunta de

 x21 ex2 x1 dx1

Probabilidades y Estadstica 2015-2

V arpX1 | X2  x2 q  2 2x2 x22 p1 x2 q2

2 2x2 x22 1 2x2 x22  1.

Propiedad 1.4 Sean X1 y X2 variables aleatorias y sean X1 | X2  x2 la variable aleatoria

(a) E rE rX1 | X2 ss  E rX1 s.

(b) V arpX1 q  E rV arpX1 | X2 qs V arpE rX1 | X2 sq.

Demostracion: (a) Valor esperado del valor esperado condicional

 x1 fX1 |X2 px1 qdx1 fX2 px2 q dx2

Solucion: (a.1) f px1 , x2 q ex1 x2 0. (a.2):

(a) f px1 , x2 q ex1 x2 , x1 0, x2 0.

fX1 ,X2 px1 , x2 q fX1 px1 q fX2 px2 q

Ejemplo 1.4 Sea f px1 , x2 q ex1 , 0 x2 0y

(a) fX1 |X2 px1 q fX1 px1 q

(b) fX2 |X1 px2 q fX2 px2 q

(c) G3 pX1 , X2 q exp tt pX1 X2 qu.

E rexp tt pX1 X2 qus

Cov pX1 , X2 q E rX1 X2 s E rX1 sE rX2 s

Como X1 y X2 son variables aleatorias independientes, entonces f px1 , x2 q f px1 q f px2 q. As

E rG1 pX1 q G2 pX2 qs E rG1 pX1 qs E rG2 pX2 qs .

2. Si X1 y X2 son variables aleatorias independientes, entonces Cov pX1 , X2 q 0. Pues

V arpX1 X2 q V arpX1 q V arpX2 q 2 Cov pX1 , X2 q.

V arpX1q V arpX2 q 2 Cov pX1 , X2 q

p2q V arpX1 | X2 x2q E rX12 | X2 x2s pE rX1 | X2 x2sq2

Ejemplo 1.8 Sea f px1 , x2 q ex , 0 x2 x1 8 la funcion de densidad conjunta de

x21 ex2 x1 dx1

V arpX1 | X2 x2 q 2 2x2 x22 p1 x2 q2

2 2x2 x22 1 2x2 x22 1.

Propiedad 1.4 Sean X1 y X2 variables aleatorias y sean X1 | X2 x2 la variable aleatoria

(a) E rE rX1 | X2 ss E rX1 s.

(b) V arpX1 q E rV arpX1 | X2 qs V arpE rX1 | X2 sq.

x1 fX1 |X2 px1 qdx1 fX2 px2 q dx2

E rV arpX1 | X2 qs E rE rX12 | X2 s pE rX1 | X2 sq2 s

E rE rX12 | X2ss E rpE rX1 | X2sq2s

E rpE rX1 | X2sq2s pE rX1sq2

E rV arpX1 | X2 qs V arpE rX1 | X2 sq E rX12 s pE rX1 sq2 V arpX1q.

Observacion 1.5 Sea GpXi q funcion de la variable aleatoria Xi , i 1, 2 y sean X1 | X2 x2 la

pY1, Y2qT pG1pX1, X2q, G2pX1, X2qqT .

fY1 ,Y2 py1 , y2 q fX1 pG 1

y1 ?xx1 x1py1, y2q y1?y2 y2 x2 x2py1, y2q y2.

Ejemplo 1.10 Sea Xi 21, i 1, 2 variables aleatorias independientes. Encontrar la funcion de

fY1 ,Y2 py1 , y2 q fX1 ,X2 p1 y2y q2

Demostracion: Para mostrar que X 2p1q, se puede utilizar la funcion de distribucion,

FX ptq PpX tq PpZ 2 tq

Por su parte, para demostrar que W 2pn1 n2 q se puede utilizar la f gm de la distribucion

MW ptq E rexp ttpX1 X2 qus

E rexp tt X1us E rexp tt X2us

Propiedad 1.6 Consideremos las variables aleatorias independientes Z N p0, 1q y Y 2pnq,

Propiedad 1.7 Considerar las variables aleatorias independientes Xi 2n , i 1, 2. Se define

fX1 ,X2 px1 , x2 q fX1 px1 q fX2 px2 q

fY1 ,Y2 py1 , y2 q fX1 fX py2q y2 nn1

es decir, Xi , i 1, 2, , n, es una variable aleatoria en R y se denota por

Definicion 1.11 Sea X pX1, X2, , XnqT un vector aleatorio. La funcion f : Rn R es

Se denotara fXj pxj q, j 1, , n a la funcion de densidad de la variable aleatoria Xj . La

Donde fXj pxj q es la funcion de densidad marginal de la variable aleatoria Xj , con j

f px1, x2, , xnq.

Ejemplo 1.14 Sean las variables aleatorias X1 , X2 , , Xn son independientes y Xi N p, i2q,

Propiedad 1.8 Si X1 , X2 , , Xn son variables aleatorias independientes y si Y1 G1pX1q, Y2

Demostracion: Dado que las variables aleatorias Xi (i 1, 2, , n) son independientes,